企业官网建设流程全解析

1. 项目概述：OpenRig 是什么？它解决的不是“能不能用”，而是“怎么稳、怎么快、怎么可持续”

OpenRig 这个名字在当前技术社区里，正以一种略带迷惑性的方式高频出现——它既不是官方发布的知名开源项目，也不是某个大厂背书的标准工具链，而更像是一群实际在用 Codex、Claude、DeepSeek 等模型做本地工程化落地的开发者，在反复踩坑、调试、封装、复用过程中，自发沉淀出的一套轻量级 CLI 驱动型运行时框架。我第一次见到它，是在一个 GitLab CI 的私有流水线配置里：openrig start --model deepseek-coder:32b --port 8081 --timeout 90s。没有文档，没有 README，只有三行注释：“替 codex cli 做进程托管 + 资源隔离 + 状态透出”。后来翻了十几个私有仓库和内部 Wiki，才拼凑出它的本质：OpenRig 不是一个模型服务框架，而是一个面向 AI 工程化交付场景的“CLI 运行时胶水层”——它不替代 Ollama、LM Studio 或 vLLM，但能让codex、zcode、claude-code这类命令行模型客户端，在生产环境里真正“跑得久、切得准、查得清、扩得稳”。

它直击的是当前本地大模型 CLI 工具链中最顽固的三类痛点：第一，进程不可控——codex serve启动后一旦崩溃或卡死，没人知道；第二，上下文不隔离——多个团队共用一台机器跑不同模型时，--model参数一改，全局状态就乱；第三，可观测性为零——你根本不知道当前codex实例到底加载了哪个权重、用了多少显存、响应延迟是否已超阈值。OpenRig 就是为解决这三点而生：它用 Node.js 做主控调度器，用 tmux 做底层进程沙盒，把每个 CLI 模型实例包装成可注册、可启停、可监控的“Rig 单元”。你不需要改一行模型代码，只要把原有codex命令稍作包装，就能获得类似 Kubernetes Pod 的生命周期管理能力。

对谁最有价值？不是刚学 Node.js 的新手，而是那些每天要手动敲codex --model qwen2-72b --host 0.0.0.0 --port 8000十几次、还要反复ps aux | grep codex杀僵尸进程的 DevOps 工程师；是正在把 Codex 接入 Jenkins 流水线、却总被cc switch local proxy failed while handling codex endpoint /responses这类报错卡住三天的 CI/CD 维护者；更是那个想把claude-code --project ./src封装成公司内部ai lint命令、但发现原生 CLI 根本不支持并发调用和 token 限流的产品侧工具链开发者。OpenRig 不承诺“一键部署所有模型”，它只承诺一件事：让你手里的每一个 CLI 模型，都变成一个可编排、可审计、可回滚的基础设施单元。它不解决模型能力问题，但彻底解决了模型“用起来”的工程熵增问题。

2. 整体设计思路与核心选型逻辑：为什么是 Node.js + tmux？而不是 Docker 或 systemd？

OpenRig 的架构看起来极简——一个 Node.js 主进程 + 若干 tmux 会话 + 一组 Shell 包装脚本——但这个组合背后，是大量真实生产环境试错后的理性收敛。很多人第一反应是：“为什么不直接用 Docker？” 或 “systemd 不是更标准吗？” 这两个问题，我都在三个不同规模的团队里实测验证过，结论非常明确：Docker 和 systemd 在 OpenRig 所针对的场景里，不是“不够好”，而是“根本不对路”。

先说 Docker。表面看，容器化天然适合隔离，但问题出在模型 CLI 的运行特性上。Codex、ZCode、Claude-Code 这类工具，绝大多数依赖本地 GPU 驱动（如 CUDA 12.4）、特定版本的 libc（CentOS 7.9 默认是 glibc 2.17，而很多新模型二进制要求 2.28+），且往往需要挂载宿主机的/dev/shm、/proc/sys/vm/max_map_count等内核参数。你当然可以写一个巨复杂的Dockerfile来适配，但代价是：每次换模型就要重编镜像，CI 构建时间从 30 秒拉长到 8 分钟；更致命的是，nvidia-smi在容器内看到的显存占用，和宿主机free -h看到的内存占用，根本无法对齐——而 OpenRig 的核心诉求之一，就是让运维能一眼看出“这个 Rig 实例占了 12GB 显存 + 4GB 内存”，以便做资源调度。tmux 则完全不同：它完全运行在宿主机用户态，nvidia-smi、htop、lsof -i :8081全部原生可用，显存/内存/CPU 使用率数据零失真。

再看 systemd。它确实能做进程守护，但缺乏细粒度的会话隔离能力。举个典型场景：A 团队用codex --model deepseek-coder:1.3b，B 团队用codex --model qwen2-7b，两者端口都是 8000。systemd 只能按 service unit 管理，你无法在一个 unit 里动态切换 model 参数，也无法让两个 unit 共享同一份模型缓存目录（~/.cache/codex/models）而不冲突。而 tmux 天然支持 session + window + pane 三级隔离：每个 Rig 实例独占一个 tmux session，session 名就是openrig-deepseek-13b；窗口名是http-server或cli-proxy；pane 里跑的是codex serve --model ...，另一个 pane 实时tail -f /var/log/openrig/deepseek-13b.log。这种结构，让tmux list-sessions就是你的实时服务拓扑图，tmux kill-session -t openrig-qwen2-7b就是秒级下线，比systemctl stop codex-qwen2直观十倍。

Node.js 的选型，则源于对 CLI 工具链生态的深度理解。Codex、ZCode、Claude-Code 全部是 Node.js 编写的 CLI 工具（查package.json就知），它们的bin字段指向的 JS 文件，本质就是一段可直接require()的模块。OpenRig 的核心逻辑——比如“启动前校验codex --version是否 ≥ 2.4.0”、“解析--model参数并映射到本地模型路径”、“捕获 SIGINT 并优雅关闭 tmux session”——全部用child_process.spawn()+fs.promises+process.on('SIGTERM')就能干净实现。如果换成 Python 或 Go，反而要额外维护跨语言的 CLI 解析器，且无法直接requireCodex 的内部模块（如@opencode/core）。Node.js 在这里不是“因为流行”，而是“因为同构”——它和目标 CLI 工具共享同一套运行时、同一套包管理、同一套错误堆栈，调试时console.log(err.stack)打印出来的，就是 Codex 自己抛出的原始错误，没有中间层损耗。

最后说一个常被忽略但极其关键的设计点：OpenRig 故意不接管模型加载过程，只做“启动器”和“监护人”。它不会去 patchcodex的源码，也不会 fork 出自己的模型服务。它只是执行tmux new-session -d -s openrig-xxx 'codex serve --model xxx'，然后监听该 session 的 stdout/stderr。这意味着：你升级 Codex，OpenRig 完全无感；你换用 ZCode，只需改一行配置；甚至你临时想用ollama run llama3，OpenRig 也能照管不误。这种“协议无关性”，才是它能在codex cli、zcode cli、claude code cli等碎片化 CLI 生态中存活下来的根本原因——它不绑定任何一家厂商，只绑定“CLI 这种交付形态”。

3. 核心细节解析与实操要点：从零搭建一个可生产的 OpenRig 环境

搭建 OpenRig 不是下载一个 npm 包npm install -g openrig就完事。它更像一套约定大于配置的“运行时规范”，你需要亲手配置四个关键组件：Node.js 运行时、tmux 环境、模型 CLI 工具链、以及 OpenRig 自身的配置文件。下面我以 CentOS 7.9 为基准环境（这是企业内网最常见也最棘手的系统），逐层拆解每个环节的实操细节、避坑点和参数依据。

3.1 Node.js 版本选择与安全加固：为什么必须是 22.12+？而非 LTS 的 20.x

OpenRig 对 Node.js 的最低要求是22.12.0，这个数字不是随意定的。核心约束来自两个底层能力：fetchAPI 的稳定性和AbortSignal.timeout()的原生支持。Codex CLI 在启动时，会向https://api.codex.dev/health发送探测请求，旧版 Node.js（<22.0）的fetch实现存在 DNS 缓存 bug，导致在内网 DNS 解析慢的环境下，fetch会卡死 30 秒才超时，而 OpenRig 的健康检查默认超时是 5 秒——结果就是openrig start命令永远卡在“等待 Codex 就绪”阶段。Node.js 22.12.0 是第一个将fetch升级到 undici v6 的版本，彻底修复了该问题。

另一个关键点是AbortSignal.timeout()。OpenRig 的stop命令需要精确控制 tmux session 的关闭时序：先发 SIGTERM 给 codex 进程，等 3 秒；若未退出，再发 SIGKILL。这个“3 秒倒计时”必须由运行时原生支持，否则就得自己写setTimeout()+clearTimeout()，极易因事件循环阻塞而失效。Node.js 22.12.0 是首个将AbortSignal.timeout()作为稳定 API 的版本（此前是 experimental）。

安装步骤（CentOS 7.9）：

# 1. 清理旧版 Node.js（避免 /usr/bin/node 冲突） sudo yum remove nodejs npm -y # 2. 下载 Node.js 22.12.0 Linux x64 二进制包（官方 tar.gz，非 rpm） curl -fsSL https://nodejs.org/dist/v22.12.0/node-v22.12.0-linux-x64.tar.xz -o node.tar.xz tar -xf node.tar.xz sudo mv node-v22.12.0-linux-x64 /opt/nodejs-22.12.0 sudo ln -sf /opt/nodejs-22.12.0/bin/node /usr/local/bin/node sudo ln -sf /opt/nodejs-22.12.0/bin/npm /usr/local/bin/npm # 3. 验证版本与 ABI 兼容性 node -v # 必须输出 v22.12.0 npm -v # 必须输出 10.9.0（Node.js 22.12.0 绑定的 npm 版本）

提示：不要用nvm或n管理多版本。OpenRig 的openrig命令是全局安装的 CLI，它必须绑定到唯一一个node可执行文件。nvm的node是 shell function，which node返回空，会导致 OpenRig 启动失败。

3.2 tmux 配置深度调优：为什么默认配置会让 Codex 崩溃？

tmux 默认配置对 AI 模型 CLI 是“有毒”的。最典型的症状是：codex serve启动后几秒内自动退出，日志里只有一行Killed。这不是 Codex 的 bug，而是 tmux 的remain-on-exit和set-remain-on-exit选项冲突导致的进程信号劫持。

根本原因在于：Codex 启动后会 fork 出子进程（如模型加载器、HTTP server），而 tmux 默认会在主进程退出后，杀死所有子进程。但 Codex 的设计是主进程负责监听信号，子进程专注计算——当 tmux 错误地向子进程发送 SIGKILL 时，整个服务就崩了。

解决方案是修改~/.tmux.conf：

# 必须添加以下三行（顺序不能错） set -g default-shell /bin/bash set -g remain-on-exit off set -g set-remain-on-exit off # 关键：禁用 tmux 的自动清理，交由 OpenRig 自己处理 set -g destroy-unattached off # 为每个 Rig session 设置独立的环境变量，避免 CUDA_VISIBLE_DEVICES 冲突 set -g default-path "~"

然后重载配置：tmux source-file ~/.tmux.conf。注意：destroy-unattached off是核心，它确保即使你断开 SSH 连接，tmux session 依然在后台运行，OpenRig 的status命令才能持续获取其状态。

注意：CentOS 7.9 自带的 tmux 版本是 1.8，必须升级到 3.2a 或更高。旧版不支持set -g destroy-unattached。升级命令：

sudo yum install epel-release -y sudo yum install tmux -y # 若仍低于 3.2，手动编译： wget https://github.com/tmux/tmux/releases/download/3.2a/tmux-3.2a.tar.gz tar -xzf tmux-3.2a.tar.gz && cd tmux-3.2a && ./configure && make && sudo make install

3.3 Codex CLI 的安装与权限治理：如何绕过unable to locate the codex cli binary错误？

unable to locate the codex cli binary or required runtime components这个错误，90% 的情况不是 Codex 没装，而是 OpenRig 找不到它。OpenRig 查找 Codex 的逻辑是：先查$PATH，再查~/.local/bin，最后查~/node_modules/.bin/codex。但很多用户是用npm install -g @opencode/cli安装的，而 CentOS 7.9 的 root 用户默认 PATH 不包含/usr/local/lib/node_modules/.bin。

解决方法分三步：

1. 确认 Codex 安装位置：

   npm list -g @opencode/cli --depth=0 # 输出类似：/usr/local/lib/node_modules/@opencode/cli # 那么 codex 二进制就在 /usr/local/lib/node_modules/@opencode/cli/bin/codex

2. 创建软链接到标准 PATH：

   sudo ln -sf /usr/local/lib/node_modules/@opencode/cli/bin/codex /usr/local/bin/codex sudo chmod +x /usr/local/bin/codex

3. 验证执行权限（关键！）：

   # 切换到 OpenRig 运行用户（假设是 aiuser） sudo -u aiuser bash codex --version # 必须成功输出，如 2.5.1 # 如果报错 "Permission denied"，说明 /usr/local/lib/node_modules/@opencode/cli/bin/codex 的 owner 不是 aiuser # 修复：sudo chown -R aiuser:aiuser /usr/local/lib/node_modules/@opencode/cli

实操心得：不要用npx codex启动。OpenRig 的start命令会调用child_process.spawn('codex', [...])，npx是 shell wrapper，spawn 无法正确解析其路径。必须确保codex是一个可直接execve()的二进制文件。

3.4 OpenRig 配置文件详解：openrig.config.json的 7 个必填字段

OpenRig 的行为完全由openrig.config.json驱动。这个文件必须放在$HOME/.openrig/目录下（OpenRig 会自动创建）。以下是生产环境必备的 7 个字段及其取值逻辑：

一个典型的生产配置：

{ "modelsDir": "/data/models", "logDir": "/var/log/openrig", "defaultPort": 8080, "gpuDevices": ["0"], "maxMemoryMB": 16384, "healthCheckIntervalMs": 10000, "proxyConfig": { "enabled": true, "port": 8000 } }

注意：gpuDevices的值是字符串数组，不是数字数组。因为CUDA_VISIBLE_DEVICES=0,1要求传入字符串"0,1"，OpenRig 内部会自动拼接。

4. 实操过程与核心环节实现：从启动第一个 Rig 到接入 DeepSeek-Coder 全流程

现在我们进入最硬核的部分：亲手操作，把 OpenRig 从零部署到可服务状态，并完成一个真实场景——将 DeepSeek-Coder-32B 模型通过 Codex CLI 接入 OpenRig，最终对外提供http://localhost:8000/v1/chat/completions兼容接口。整个过程分为五个阶段，每个阶段我都附上实测命令、预期输出和关键判断点。

4.1 初始化与环境验证：三行命令确认基础链路畅通

在aiuser用户下执行：

# 1. 创建 OpenRig 配置目录并写入最小配置 mkdir -p ~/.openrig cat > ~/.openrig/openrig.config.json << 'EOF' { "modelsDir": "/data/models", "logDir": "/var/log/openrig", "defaultPort": 8080 } EOF # 2. 创建模型和日志目录（注意权限！） sudo mkdir -p /data/models /var/log/openrig sudo chown -R aiuser:aiuser /data/models /var/log/openrig # 3. 运行 OpenRig 自检 openrig check

预期输出必须包含三行 SUCCESS：

✓ Node.js version >= 22.12.0 (v22.12.0) ✓ tmux is available and version >= 3.2a (3.2a) ✓ codex binary found at /usr/local/bin/codex

如果任何一项失败，立即停止后续操作。openrig check是 OpenRig 的“心脏起搏器”，它会主动调用node -v、tmux -V、which codex并验证返回值。这是唯一能提前暴露环境问题的命令。

4.2 模型准备与格式转换：为什么 DeepSeek-Coder 必须用 GGUF 格式？

DeepSeek-Coder 官方发布的是 Hugging Face 的 PyTorch 格式（.bin+config.json），但 Codex CLI 仅支持 GGUF 格式（由 llama.cpp 项目定义）。直接codex --model deepseek-coder-32b会报错unsupported model format。

转换步骤（需一台有 GPU 的机器）：

# 1. 下载原始模型（HF） git lfs install git clone https://huggingface.co/deepseek-ai/deepseek-coder-32b-instruct # 2. 转换为 GGUF（使用 llama.cpp 的 convert-hf-to-gguf.py） cd llama.cpp && python3 convert-hf-to-gguf.py ../deepseek-coder-32b-instruct --outfile ../deepseek-coder-32b.Q4_K_M.gguf # 3. 将 GGUF 文件放入 OpenRig 模型目录 mv ../deepseek-coder-32b.Q4_K_M.gguf /data/models/codex/

关键参数说明：Q4_K_M表示 4-bit 量化，K-M 混合精度，实测在 A100 上推理速度是 FP16 的 2.3 倍，显存占用从 64GB 降至 24GB，精度损失 <0.8%（基于 HumanEval 测试集）。

提示：不要用Q5_K_S或Q6_K。前者在 32B 模型上会显著降低生成质量，后者显存占用仍高达 38GB，失去量化意义。

4.3 启动第一个 Rig 实例：openrig start的完整参数解析

现在启动 DeepSeek-Coder：

openrig start \ --name deepseek-32b \ --model deepseek-coder-32b.Q4_K_M.gguf \ --port 8081 \ --gpu 0 \ --context-length 16384 \ --threads 32 \ --batch-size 512

参数详解：

• --name: Rig 实例的唯一标识，也是 tmux session 名。必须小写字母+数字+短横线。
• --model: 模型文件名，必须相对于modelsDir目录。OpenRig 会自动拼接为/data/models/codex/deepseek-coder-32b.Q4_K_M.gguf。
• --port: HTTP 服务端口。OpenRig 会检查该端口是否空闲，若被占用则报错。
• --gpu: 绑定的 GPU ID。对应CUDA_VISIBLE_DEVICES=0。
• --context-length: 上下文长度。DeepSeek-Coder-32B 官方支持 16K，设为16384。
• --threads: CPU 线程数。A100 有 128 个逻辑核，设32是为了留出资源给其他服务。
• --batch-size: 推理批大小。512是 GGUF 量化模型的黄金值，再高会 OOM，再低则吞吐下降。

启动后，立刻验证：

# 查看 tmux session 是否创建 tmux list-sessions | grep deepseek-32b # 应输出 openrig-deepseek-32b: 1 windows (created ...) # 查看日志是否滚动 tail -f /var/log/openrig/deepseek-32b.log # 正常应看到：[INFO] Starting codex serve with model deepseek-coder-32b.Q4_K_M.gguf... # [INFO] Server listening on http://localhost:8081 # 用 curl 测试健康接口 curl -s http://localhost:8081/health | jq . # 应返回 {"status":"ok","model":"deepseek-coder-32b.Q4_K_M.gguf"}

4.4 配置反向代理与统一入口：让codex变成openrig

OpenRig 的proxyConfig不是可选功能，而是生产必需。原因很简单：你不可能让每个业务方都记住http://rig-server:8081、http://rig-server:8082……他们只认一个地址，比如http://ai-api.company.com。

启用代理：

# 修改配置，开启代理 sed -i 's/"enabled": false/"enabled": true/' ~/.openrig/openrig.config.json # 重启 OpenRig 主进程（它会自动 reload proxy） pkill -f "openrig.*proxy" openrig proxy start

此时，所有 Rig 实例的流量都会被代理到http://localhost:8000。你可以用标准 OpenAI 兼容格式调用：

curl -X POST http://localhost:8000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "deepseek-32b", "messages": [{"role": "user", "content": "写一个快速排序的 Python 实现"}], "temperature": 0.7 }'

OpenRig 代理会根据model字段，自动路由到对应的 Rig 实例（deepseek-32b→http://localhost:8081）。

实操心得：代理的model字段必须和openrig start --name的值完全一致。大小写敏感，不能有空格。这是 OpenRig 唯一的路由键。

4.5 监控与扩缩容：openrig status和openrig scale的真实用途

openrig status不是简单的ps aux包装。它会聚合三层数据：

• tmux 层：session 是否 alive，window 数量；
• 进程层：codex进程 PID、CPU%、RSS 内存；
• 模型层：/health接口返回的loaded_at时间戳、context_length、quantization类型。

输出示例：

NAME STATUS PORT GPU MEM CPU UPTIME MODEL deepseek-32b RUNNING 8081 0 23.4G 82% 2h15m deepseek-coder-32b.Q4_K_M.gguf qwen2-7b STOPPED - - - - - qwen2-7b.Q5_K_M.gguf

openrig scale则用于水平扩缩容。比如 DeepSeek-Coder 请求激增，你不想扩容硬件，而是想用多个小模型实例分担：

# 启动第二个实例，绑定 GPU 1 openrig start --name deepseek-32b-2 --model deepseek-coder-32b.Q4_K_M.gguf --port 8082 --gpu 1 # 启用负载均衡（Round Robin） openrig proxy set-lb round-robin # 现在 /v1/chat/completions 请求会自动分发到 8081 和 8082

注意：scale不是自动的。OpenRig 不会像 K8s 那样根据 CPU% 自动扩缩。它只提供命令，决策权在人。这是刻意为之——AI 模型的负载不是线性的，10% CPU 使用率可能意味着正在处理一个长上下文请求，盲目扩容反而浪费资源。

5. 常见问题与排查技巧实录：那些官方文档绝不会写的“血泪教训”

在六个不同客户现场部署 OpenRig 的过程中，我记录了 37 个高频问题。下面精选 5 个最具代表性、最易踩坑的案例，附上完整的排查链条和根因分析。这些不是“可能遇到”，而是“你一定会遇到”。

5.1 问题：cc switch local proxy failed while handling codex endpoint /responses—— 为什么代理总是失败？

现象：openrig proxy start后，调用/v1/chat/completions返回 500，日志里反复出现cc switch local proxy failed while handling codex endpoint /responses。

排查路径：

1. openrig status确认目标 Rig（如deepseek-32b）状态是RUNNING；
2. curl http://localhost:8081/responses（直接访问 Rig）——如果返回 404，说明 Codex 的路由没配对；
3. 查看/var/log/openrig/deepseek-32b.log，搜索server listening——正常应有Listening on http://localhost:8081，但如果显示Listening on http://127.0.0.1:8081，问题就在这里。

根因：Codex CLI 的--host参数默认是127.0.0.1，而 OpenRig 代理需要localhost才能通过 loopback 访问。127.0.0.1和localhost在某些内核配置下 DNS 解析行为不同。

解决方案：启动时强制指定 host：

openrig start --name deepseek-32b --model ... --host localhost --port 8081

实操心得：永远不要省略--host localhost。这是 OpenRig 与 Codex 通信的“握手协议”，缺一不可。

5.2 问题：codex auth token is unavailable—— 为什么本地模型也要认证？

现象：openrig start成功，但curl http://localhost:8081/health返回{"error":"codex auth token is unavailable"}。

根因：Codex CLI 从 2.4.0 版本起，默认启用--auth-required，即使你用的是本地模型。它会检查环境变量CODEX_AUTH_TOKEN或~/.codex/auth.json。

解决方案（二选一）：

• 方案 A（推荐）：创建空 auth 文件，绕过检查：

  mkdir -p ~/.codex echo '{"token":"dummy"}' > ~/.codex/auth.json

• 方案 B：启动时禁用认证：

  openrig start --model ... --extra-args "--auth-required=false"

注意：--extra-args是 OpenRig 的“万能钥匙”，它会把后面字符串原样追加到codex serve命令末尾。这是处理 Codex 未公开参数的唯一方式。

5.3 问题：node_modules\@opencode\cli\bin\opencode.exe 与你运行的 windows 版本不兼容—— 为什么 Linux 服务器报 Windows 错误？

现象：在 CentOS 上执行openrig start，报错node_modules\@opencode\cli\bin\opencode.exe 与你运行的 windows 版本不兼容。

根因：这是 npm 的经典陷阱。当你在 Windows 上npm install -g @opencode/cli，然后把整个node_modules复制到 Linux，npm 会保留 Windows 的.exe文件，而 Node.js 在 Linux 上尝试execve()一个 PE 格式文件，自然失败。

解决方案：永远不要跨平台复制node_modules。在目标服务器上重新安装：

# 彻底清理 sudo rm -rf /usr/local/lib/node_modules/@opencode/cli # 重新安装（指定平台） sudo npm install -g @opencode/cli --platform=linux --arch=x64

提示：--platform=linux参数告诉 npm，即使你在 macOS 上执行，也要下载 Linux 二进制。这是跨平台部署的黄金法则。

5.4 问题：unable to locate the codex cli binary在openrig check通过后突然出现

现象：openrig check显示 SUCCESS，但openrig start报错unable to locate the codex cli binary。

根因：openrig check是在当前 shell 环境下执行的，而openrig start是用child_process.spawn()启动的新进程，它继承的是 clean environment（无PATH扩展）。如果你是用sudo -u aiuser启动 OpenRig，而codex软链接在/usr/local/bin，但aiuser的PATH里没有/usr/local/bin，就会失败。

验证：

sudo -u aiuser env | grep PATH # 如果输出不含 /usr/local/bin，则是此问题

解决方案：修改aiuser的~/.bashrc：

echo 'export PATH="/usr/local/bin:$PATH"' >> /home/aiuser/.bashrc source /home/aiuser/.bashrc

5.5 问题：Rig 实例内存持续增长，最终 OOM 被系统 kill

现象：openrig status显示MEM列从12.1G涨到 `2