Spiceweasel 技术文档
1. 安装指南
Spiceweasel 是一个用于批量加载 Chef 基础设施的命令行工具。它依赖于 knife 命令和 chef gem,并且需要安装 Berkshelf 来支持 Cookbook 的 Berksfile。
安装步骤
-
安装 Ruby:确保系统上安装了 Ruby 1.9.3 或更高版本。如果使用 Ruby 2.0,需要安装 Chef 11.6 或更高版本的 gem。
-
安装 Chef:通过以下命令安装 Chef gem:
gem install chef -
安装 Berkshelf:通过以下命令安装 Berkshelf:
gem install berkshelf -
安装 Spiceweasel:通过以下命令安装 Spiceweasel:
gem install spiceweasel
2. 项目的使用说明
Spiceweasel 通过一个简单的 Ruby、JSON 或 YAML 文件来描述和部署 Chef 基础设施。该文件可以与 Chef 仓库捆绑在一起,以部署仓库中包含的基础设施,并验证列出的组件是否都存在。
文件语法
Spiceweasel 文件可以是 Ruby、JSON 或 YAML 格式,描述了要实例化的 Chef 基础设施。以下是 YAML 格式的示例:
cookbooks:
- apache2:
- apt:
version: 1.2.0
options: --freeze
- mysql:
- ntp:
该文件将生成以下 knife 命令:
knife cookbook upload apache2
knife cookbook site download apt 1.2.0 --file cookbooks/apt.tgz
tar -C cookbooks/ -xf cookbooks/apt.tgz
rm -f cookbooks/apt.tgz
knife cookbook upload apt --freeze
knife cookbook upload mysql ntp
3. 项目 API 使用文档
Spiceweasel 提供了多个 API 来管理 Chef 基础设施的不同部分,包括 Cookbooks、Environments、Roles、Data Bags 和 Nodes。
Cookbooks
cookbooks 部分支持 knife cookbook upload 命令,用于上传 Cookbook。可以通过 version 和 options 指定版本和选项。
Environments
environments 部分支持 knife environment from file 命令,用于加载环境文件。可以使用通配符加载多个环境。
Roles
roles 部分支持 knife role from file 命令,用于加载角色文件。可以使用通配符加载多个角色。
Data Bags
data bags 部分支持 knife data bag create 和 knife data bag from file 命令,用于创建和加载数据包。支持加密数据包。
Nodes
nodes 部分支持 knife bootstrap 命令,用于引导节点。可以为节点指定 run_list 和 options,并支持批量创建节点。
4. 项目安装方式
Spiceweasel 可以通过 RubyGems 安装,也可以通过源码安装。
通过 RubyGems 安装
gem install spiceweasel
通过源码安装
-
克隆 Spiceweasel 仓库:
git clone https://github.com/mattray/spiceweasel.git -
进入项目目录并安装依赖:
cd spiceweasel bundle install -
安装 Spiceweasel:
rake install
通过以上步骤,您可以成功安装并使用 Spiceweasel 来管理您的 Chef 基础设施。
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-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
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