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 StartedRust069- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00