Conan包管理器中二进制包过滤机制的版本差异解析
背景概述
在软件包管理工具Conan的使用过程中,二进制包的上传与过滤是一个常见操作。许多团队会利用conan upload命令的--package-query参数来精确控制需要上传的二进制包。然而,随着Conan从1.x版本升级到2.x版本,这一功能的语法和行为发生了一些重要变化,这可能导致用户在迁移过程中遇到二进制包上传异常的问题。
Conan 1.x版本的包过滤机制
在Conan 1.x版本中,用户可以直接使用简单的布尔表达式来过滤需要上传的二进制包。典型的命令格式如下:
conan upload --package-query 'foo=False AND bar=False AND baz=None'
这种语法直观且易于理解,其中foo、bar和baz代表包的选项(option)。系统会直接解析这些选项名称,并根据它们的值来筛选符合条件的二进制包。
Conan 2.x版本的改进与变化
Conan 2.0对包过滤机制进行了重构,主要带来了以下重要变化:
-
显式命名空间:现在必须明确指出选项所属的命名空间,使用
options.前缀来区分选项和设置(settings)。正确的语法变为:conan upload --package-query 'options.foo=False AND options.bar=False AND options.baz=None' -
引入新的过滤方式:除了改进原有的
--package-query参数外,Conan 2.x还引入了更强大的conan list命令及其过滤参数:--filter-profile:允许直接使用profile文件进行过滤--filter-settings:专门针对settings进行过滤--filter-options:专门针对options进行过滤
-
更精确的过滤逻辑:新版本的过滤机制采用了更严格的类型检查和更精确的匹配算法,减少了误匹配的可能性。
迁移建议
对于从Conan 1.x迁移到2.x的用户,建议采取以下步骤:
- 检查所有使用
--package-query参数的脚本和自动化流程 - 为所有选项添加
options.前缀 - 考虑使用新的
conan list命令配合过滤参数,这通常能提供更好的性能和更直观的语法 - 测试验证过滤结果是否符合预期
实际应用示例
假设我们有一个包,其选项包括shared(布尔值)、optimize(布尔值)和version(字符串),在不同版本中的过滤方式对比如下:
Conan 1.x方式:
conan upload --package-query 'shared=False AND optimize=True AND version="1.2.3"'
Conan 2.x方式:
conan upload --package-query 'options.shared=False AND options.optimize=True AND options.version="1.2.3"'
Conan 2.x推荐方式:
conan list --filter-options "shared=False" --filter-options "optimize=True" --filter-options "version=1.2.3"
总结
Conan 2.x对包过滤机制的改进虽然带来了一定的迁移成本,但这些变化使得过滤语法更加明确和强大。通过理解这些差异并适当调整工作流程,用户可以更高效地管理二进制包的上传和分发。对于新项目,建议直接采用Conan 2.x推荐的conan list过滤方式,以获得最佳的使用体验。
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