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。
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