Chef ruby_rbenv Cookbook 技术文档
1. 安装指南
1.1 系统要求
-
Chef版本: 该Cookbook要求Chef 13.0及以上版本。需要注意的是,某些Chef版本(>= 16且< 16.4.41)在git资源中存在一个bug,可能会导致一些失败。如果遇到问题,请尝试使用更高版本的Chef 16。
-
支持的平台:
- Debian及其衍生版本
- Fedora
- macOS(目前未经过测试)
- RHEL及其衍生版本(如RHEL、CentOS、Amazon Linux、Oracle Linux、Scientific Linux)
- openSUSE及openSUSE Leap
1.2 安装步骤
-
安装Cookbook: 你可以通过Chef Supermarket安装该Cookbook。使用以下命令:
chef gem install ruby_rbenv或者在你的Chef环境中添加依赖:
depends 'ruby_rbenv' -
配置rbenv: 在安装完成后,你需要配置
rbenv_system_install或rbenv_user_install资源,以便rbenv知道你想要使用的Ruby版本,并将其安装在系统中。
2. 项目的使用说明
2.1 系统级安装与用户级安装
-
系统级安装: 该Cookbook支持系统级的rbenv安装,但rbenv的维护者不推荐这种方式。你可以通过
rbenv_system_install资源进行系统级安装。 -
用户级安装: 推荐使用
rbenv_user_install资源进行用户级安装。这种方式更为灵活,且符合rbenv的设计初衷。
2.2 macOS系统安装注意事项
macOS系统默认不支持/etc/profile.d目录中的配置文件片段管理。因此,你可能需要手动修改用户配置文件,以确保rbenv的正确使用。
3. 项目API使用文档
3.1 主要资源
- rbenv_gem: 用于管理通过rbenv安装的Ruby版本的gem包。
- rbenv_global: 用于设置全局的Ruby版本。
- rbenv_plugin: 用于管理rbenv插件。
- rbenv_rehash: 用于重新生成rbenv的shim文件。
- rbenv_ruby: 用于安装特定版本的Ruby。
- rbenv_script: 用于在rbenv环境中执行脚本。
- rbenv_system_install: 用于系统级的rbenv安装。
- rbenv_user_install: 用于用户级的rbenv安装。
3.2 示例
以下是一个简单的示例,展示如何使用rbenv_user_install和rbenv_ruby资源:
rbenv_user_install 'myuser'
rbenv_ruby '2.7.2' do
user 'myuser'
end
rbenv_global '2.7.2' do
user 'myuser'
end
4. 项目安装方式
4.1 通过Chef Supermarket安装
你可以通过Chef Supermarket直接安装该Cookbook,命令如下:
chef gem install ruby_rbenv
4.2 在Chef环境中添加依赖
在你的Chef环境中,可以通过在metadata.rb文件中添加依赖来使用该Cookbook:
depends 'ruby_rbenv'
4.3 手动安装
你也可以从GitHub仓库中克隆该Cookbook,并将其手动添加到你的Chef环境中:
git clone https://github.com/sous-chefs/ruby_rbenv.git
结语
本文档详细介绍了Chef ruby_rbenv Cookbook的安装、使用及API文档。通过本文档,用户可以快速上手并深入了解该项目的使用方法。如果你有任何问题或建议,欢迎通过GitHub Issues进行反馈。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00