oe-llm-package-install

name	oe-llm-package-install
description	OE-LLM 包本地安装 Skill。在 oe-llm-package-detection 完成后触发，询问用户是否本地安装。若用户同意，则检测本地 Python / CUDA / PyTorch 版本，匹配 OE-LLM 包内 whl，创建 venv 全量安装，更新 .env 为 EXECUTION_MODE=local。

OE-LLM 包本地安装

执行方式

本 Skill 应通过 subagent 执行。 主 agent 在用户确认本地安装后，应将本文件的完整内容作为 subagent prompt 派发执行。subagent 负责环境检测、venv 创建、组件安装和验证，完成后汇报安装结果，主 agent 读取更新后的 .env.oe-llm-package 继续后续流程。

目标

在用户环境中创建 Python venv（.horizon/venv-llm），将 OE-LLM 包内的所有组件 whl 安装到 venv 中，使后续 LLM 工具链命令可以本地执行（无需 Docker）。

触发条件

oe-llm-package-detection 完成后（.horizon/.env.oe-llm-package 已生成），向用户询问是否本地安装：

• 用户选择本地安装 → 进入本 Skill
• 用户选择不安装 → 维持 EXECUTION_MODE=docker，继续后续任务

安装流程

1. 读取 OE-LLM 包信息

从 .horizon/.env.oe-llm-package 读取 OE_LLM_DIR，扫描 <OE_LLM_DIR>/package/host/ 下所有 .whl 文件。

注意：OE-LLM 包的 whl 文件直接在 package/host/ 下，没有 ai_toolchain/ 子目录。

2. 检测本地环境

逐项采集：

检测项	命令	要求
Python 版本	python3 --version	必须为 3.10 或 3.11
CUDA 版本	nvidia-smi（右上角）或 nvcc --version	必须为 12.8（OE-LLM 包仅支持 CUDA 12.8）
PyTorch 版本	python3 -c "import torch; print(torch.__version__, torch.version.cuda)"	必须与 OE-LLM 包提供的组合匹配（如 2.8.0+cu128）

3. 版本匹配

OE-LLM 包提供的版本组合由 horizon_plugin_pytorch 的 wheel 文件名决定硬性约束：

匹配规则：

1. 扫描 <OE_LLM_DIR>/package/host/ 下 horizon_plugin_pytorch-*.whl 文件名
2. 从文件名提取 CUDA 版本（cuXXX）、PyTorch 版本（torchXXX）、Python 版本（cpXXX 或 cp39-abi3）
3. 对比本地环境的 CUDA / PyTorch / Python 版本，选择匹配的 wheel
4. 任一不匹配 → 终止，输出当前环境和所需版本的对比表

匹配失败时的提示模板：

当前环境不满足 OE-LLM 包要求：

| 项目 | 当前版本 | 需要版本 |
|------|---------|---------|
| Python | 3.x | 3.10 或 3.11 |
| CUDA | x.x | 12.8 |
| PyTorch | x.x.x | 2.8.0+cu128 |

请先安装对应版本后重试。

4. 创建 venv 并安装

运行自动化脚本完成 venv 创建、组件安装、验证和 .env.oe-llm-package 更新：

# 从 .horizon/.env.oe-llm-package 读取 OE_LLM_DIR
OE_LLM_DIR=$(grep '^OE_LLM_DIR=' .horizon/.env.oe-llm-package | cut -d= -f2)
bash .horizon/skills/horizon-router/oe-llm-package-install/install.sh "$OE_LLM_DIR"

脚本内置的固定规则（已固化在 install.sh 中，无需手动处理）：

1. --without-pip --system-site-packages 创建 venv，继承系统 PyTorch，避免 ensurepip 不可用
2. python3 -m pip 而非裸 pip，避免 --without-pip venv 中 pip 路径回退到系统
3. constraints.txt 锁 torch 版本，防止依赖解析拉入新版 torch

安装失败处理：脚本以非零退出码终止 → 查看输出定位失败组件，向用户展示报错信息并建议回退到 Docker 模式。

5. 验证安装

脚本（Step 4）已内置验证，安装成功即表示所有组件导入可用。如需手动验证：

source .horizon/venv-llm/bin/activate

# 验证各组件
python3 -c "import hbdk4; print('hbdk4 OK')"
python3 -c "import hbm_infer; print('hbm_infer OK')"
python3 -c "import horizon_plugin_profiler; print('horizon_plugin_profiler OK')"
python3 -c "import horizon_plugin_pytorch; print('horizon_plugin_pytorch OK')"

6. 更新 .horizon/.env.oe-llm-package

脚本已自动更新，无需手动操作。如需手动修改：

# === 执行模式 ===
EXECUTION_MODE=local

# === venv 路径 ===
VENV_DIR=.horizon/venv-llm
VENV_ACTIVATE_CMD=source .horizon/venv-llm/bin/activate

# --- 以下字段在 local 模式下清空 ---
# DOCKER_TYPE、DOCKER_IMAGE、DOCKER_RUN_CMD、DOCKER_EXEC_PREFIX、MISSING_COMPONENTS 均删除或置空

注意：GPU_INFO 保留不删，因为本地模式也可能用到 GPU 信息。

后续任务的使用方式

子 Skill 执行 CLI 命令前读取 EXECUTION_MODE：

• local → 先激活 venv，再直接执行：

  source .horizon/venv-llm/bin/activate
  cd $OE_LLM_DIR/llm_compression && bash scripts/calib.sh ...
  

• docker → 按 oe-llm-package-detection 中的 Docker 方式执行

卸载 / 重装

• 卸载：rm -rf .horizon/venv-llm，删除 .env.oe-llm-package 中的 VENV_DIR 和 VENV_ACTIVATE_CMD，将 EXECUTION_MODE 改回 docker
• 重装：删除 .horizon/venv-llm 后重新执行本 Skill

交叉编译工具链（可选）

OE-LLM 包提供 aarch64-linux-hb-gcc_12.2.0_amd64.deb 交叉编译工具链，用于编译板端 C++ 推理程序。如需板端 C++ 部署，手动安装：

sudo dpkg -i <OE_LLM_DIR>/package/host/aarch64-linux-hb-gcc_12.2.0_amd64.deb

安装 .deb 需要 sudo 权限，脚本不会自动安装。

常见问题与解决方案

1. python3 -m venv 失败：ensurepip 不可用

现象：

The virtual environment was not created successfully because ensurepip is not available.
apt install python3.10-venv

解决：脚本已用 --without-pip 规避此问题。如手动操作：

python3 -m venv --without-pip --system-site-packages .horizon/venv-llm
source .horizon/venv-llm/bin/activate
/bin/pip3 install --target .horizon/venv-llm/lib/python3.10/site-packages/ pip

2. PyTorch 版本冲突

现象：

RuntimeError: Please install torch == <required_version>, but get <wrong_version>

解决（脚本已内置防护）：

1. --system-site-packages：创建 venv 时继承系统已安装的 torch
2. 约束文件：constraints.txt 锁定 torch 版本，安装时加 -c "$CONSTRAINT"

注意：带 CUDA local version label 的 torch（如 2.8.0+cu128）通常只存在于 PyTorch 官方源，内部 PyPI 只有标准版。因此不能依赖 pip 重新下载，必须通过 --system-site-packages 继承系统已安装版本。

3. hbdk4_compiler 模块名错误

现象：import hbdk4_compiler 报 ModuleNotFoundError。

原因：pip 包名是 hbdk4_compiler，但 Python 导入名是 hbdk4。

正确用法：

import hbdk4               # OK
import hbdk4.compiler       # OK

注意事项

• venv 路径为 .horizon/venv-llm，与标准 OE 包的 .horizon/venv 隔离，互不影响
• venv 内的组件版本与 Docker 镜像内完全一致（均来自同一 OE-LLM 包的 whl）
• 如果用户升级了系统 Python、CUDA 或 PyTorch，需要删除 .horizon/venv-llm 和 .horizon/.env.oe-llm-package 重新检测和安装
• horizon_plugin_pytorch 的版本与 PyTorch 强绑定（cu128.torch280），不可混用