LittleChef 项目技术文档
1. 安装指南
系统支持
LittleChef 在以下操作系统上进行了测试:
- Linux
- Mac OS X
- Windows
- FreeBSD
依赖要求
- Python 2.6+
- Fabric 1.5+
安装步骤
-
安装 Python 和 pip:
- 对于 Debian 和 Ubuntu 系统:
$ sudo apt-get install python-pip python-dev - 对于 RHEL 和 CentOS 系统:
$ yum install python-pip python-devel
- 对于 Debian 和 Ubuntu 系统:
-
使用 pip 安装 LittleChef:
$ pip install littlechef
2. 项目使用说明
免责声明
在使用 LittleChef 时,请谨慎操作您的节点:
一个著名的 Chef 说过:任何人都可以烹饪。 LittleChef:是的,任何人都可以,但这并不意味着任何人都可以随意操作。
本地设置
-
创建一个新的厨房:
$ fix new_kitchen这将创建一些必要的文件和目录,包括
littlechef.cfg、environments、roles/、data_bags/、nodes/、cookbooks/和site-cookbooks/。 -
配置认证信息:
- 编辑
littlechef.cfg文件,输入具有 sudo 权限的用户名和密码。 - 可以选择使用 SSH 配置文件来定义不同的用户名、密码和密钥文件。
- 编辑
Berkshelf 支持
LittleChef 支持 Berkshelf。如果存在 Berksfile 文件,LittleChef 将执行 berks vendor berksfile-cookbooks-directory 命令。如果未提供 berksfile_cookbooks_directory,则会在临时目录中使用随机目录。
其他配置选项
- 可以覆盖节点上用于同步厨房的目录:
[kitchen] node_work_path = /tmp/chef-solo - 支持加密数据包,可以使用
knife-solo_data_bagGem 创建加密数据包,并指定加密数据包密钥文件的路径。
3. 项目API使用文档
数据包搜索
LittleChef 支持数据包搜索,即使 Chef Solo 本身不支持。通过在 cookbooks 目录中包含 chef-solo-search 库,可以实现数据包搜索。
节点搜索
节点搜索通过在每次运行时动态创建一个“节点”数据包来实现,该数据包包含 nodes/ 目录中定义的每个节点的数据。
日志
Chef Solo 的输出日志可以在节点的 /var/log/chef/solo.log 中找到。
4. 项目安装方式
部署 Chef Solo
为了方便,LittleChef 提供了一个命令来部署 Chef Solo 到节点上:
$ fix node:MYNODE deploy_chef:version=11.12
或者不提示确认直接安装:
$ fix node:MYNODE deploy_chef:ask=no
多跳 LittleChef 设置
如果节点无法直接访问,可以指定一个网关主机。fix 命令将连接到指定的主机,并从该主机发起所有后续连接。
[connection]
gateway = hub.example.com
这将连接到 hub.example.com,所有后续节点连接将从该主机发起。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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