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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08