EMBA项目在Ubuntu 22.04上安装时的jq依赖问题分析
在Ubuntu 22.04.4 LTS系统上安装EMBA项目时,用户可能会遇到一个与jq工具相关的安装错误。这个问题通常表现为安装过程中出现状态码1的错误,并指向helpers.sh脚本的第68行。
问题现象
当运行EMBA安装脚本时,系统会尝试检查并安装jq工具,这是一个轻量级的命令行JSON处理器。错误信息显示系统无法正确处理jq的安装状态检查,导致安装过程中断。错误堆栈显示问题起源于helpers.sh脚本中的print_tool_info函数。
根本原因分析
经过深入分析,这个问题主要由以下几个因素导致:
-
jq工具未预装:Ubuntu 22.04基础安装可能不包含jq工具,而EMBA项目依赖它来处理JSON数据。
-
apt-cache policy输出格式问题:原脚本假设apt-cache policy命令的输出使用英文格式,而中文系统环境下输出的是中文提示(如"已安装:"而非"Installed:"),导致版本检查逻辑失效。
-
容器环境冲突:如果系统上已有不兼容的容器或容器编排工具安装,也可能间接导致依赖安装问题。
解决方案
1. 手动安装jq工具
在运行EMBA安装脚本前,可先手动安装jq工具:
sudo apt update && sudo apt install jq -y
2. 修改helpers.sh脚本
对于中文系统环境,需要调整helpers.sh脚本中的版本检查逻辑,使其能正确解析中文格式的apt输出:
print_tool_info(){
echo -e "\\n""${ORANGE}""${BOLD}""${1:-}""${NC}"
TOOL_INFO="$(apt-cache policy "${1:-}" 2> /dev/null)"
if echo "${TOOL_INFO}" | grep -q "已安装:"; then
INSTALLED_VERSION=$(echo "${TOOL_INFO}" | grep "已安装:" | awk '{print $2}')
CANDIDATE_VERSION=$(echo "${TOOL_INFO}" | grep "候选:" | awk '{print $2}')
if [[ "${INSTALLED_VERSION}" == "${CANDIDATE_VERSION}" ]]; then
echo -e "${GREEN}""${1:-}"" is already installed and up-to-date.""${NC}"
else
echo -e "${ORANGE}""${1:-}"" is installed but will be updated.""${NC}"
INSTALL_APP_LIST+=("${1:-}")
fi
else
echo -e "${ORANGE}""${1:-}"" will be newly installed.""${NC}"
INSTALL_APP_LIST+=("${1:-}")
fi
}
3. 清理并重新安装容器环境
如果存在容器环境冲突,建议先完全卸载现有容器工具,然后让EMBA安装脚本处理全新的安装:
# 卸载现有容器工具
sudo apt remove docker docker-engine docker.io containerd runc
sudo apt purge docker-ce docker-ce-cli containerd.io
sudo rm -rf /var/lib/docker
sudo rm -rf /var/lib/containerd
预防措施
为了避免类似问题,建议:
- 在运行EMBA安装脚本前,先确保系统语言环境设置为英文:
export LANG=en_US.UTF-8
- 预先安装所有基础依赖:
sudo apt update && sudo apt install -y jq curl git
- 使用干净的Ubuntu系统安装EMBA,避免已有软件环境造成冲突。
技术背景
jq是一个轻量级且灵活的命令行JSON处理器,在安全分析和自动化工具中被广泛使用。EMBA项目使用jq来处理各种JSON格式的输出结果,包括安全数据库查询、工具输出解析等场景。确保jq正确安装对于EMBA的正常运行至关重要。
通过以上解决方案,用户应该能够顺利解决Ubuntu 22.04上安装EMBA时遇到的jq依赖问题,并完成整个安装过程。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00