---
title: 环境配置
description: "在进行源码编译构建前需要安装对应版本的依赖组件。"
url: https://www.hikunpeng.com/document/detail/zh/kunpengai/ecosystemEnable/sglang/kunpengsglang_16_0004.html
sourcePath: /source/zh/kunpengai/ecosystemEnable/sglang/kunpengsglang_16_0004.html
indexId: d429015cad832ffd0156122c0fde27a690a0e71469807e1daee9ef80f58e844570
---
# 环境配置

在进行源码编译构建前需要安装对应版本的依赖组件。

1. 安装系统依赖。
  1 2 3 4 dnf install -y \ --setopt=install_weak_deps=False \ --setopt=tsflags=nodocs \ python3-pip python3-devel gcc gcc-c++ make cmake git ninja-build openblas-devel numactl-devel rust cargo

2. 安装Python构建工具。
  1 python3 -m pip install --upgrade pip setuptools wheel packaging ninja cmake pybind11 scikit-build-core

3. 安装CUDA版本的PyTorch。

  - 方式一：使用官方预编译wheel。
    1 python3 -m pip install --index-url https://download.pytorch.org/whl/cu130 torch==2.11.0+cu130

  - 方式二：使用本地构建wheel，替换为实际wheel文件路径。
    1 python3 -m pip install --force-reinstall /path/to/torch-2.11.0+cu130-*.whl

- 安装CUDA版本PyTorch以上两种方式二选一：可以使用PyTorch官方发布的、与CUDA版本匹配的预编译wheel，也可以使用已在当前环境验证通过的本地构建CUDA wheel。无论选择哪种来源，继续源码构建SGLang前都必须确认torch.backends.cuda.is_built()和torch.cuda.is_available()均为True。
- SGLang源码包含两个相互配合的构建对象：“python”目录生成SGLang主Python包，提供运行时框架、接口和调度逻辑；“sgl-kernel”目录生成CUDA扩展包，提供GPU推理相关的高性能算子能力。面向GPU场景进行源码构建时，应同时构建并安装这两个wheel。