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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00