1、DeepSeek简介

最近火出圈的AI科技公司，不用多介绍了。

2、本地化部署步骤

网上已经有很多视频教程告诉大家如何部署了，过程其实非常简单，此处不再赘述了，只略作总结。另外，部署过程中最耗时的是资源和工具的下载。我把已经下载好的资源通过网盘分享出来，帮大家节约点时间。

总的来说，本地化部署DeepSeek R1，我总结了以下三个步骤，完成之后，你就可以愉快地与大模型聊天了，本地化部署之后的使用不依赖任何网络，零成本，用了都说好！

第一步：下载Ollama

进入Ollama网站，直接点击download即可（注意自己是windows还是mac还是Linux）， 本教程以Windows为例，其余操作系统大同小异。

快速下载地址：通过网盘分享的文件：OllamaSetup.exe

链接: https://pan.baidu.com/s/1lDW71bAYdba71BHQpesNcg?pwd=j7vm 提取码: j7vm

第二步：通过命令行下载R1模型

这一步也很简单，直接进入DeepSeek R1模型下载页面：deepseek-r1

将复制的命令行，直接黏贴到命令行窗口按回车执行即可：

接下去就是一个较长时间的等待，等安装完毕就可以直接通过命令行与大模型交互了：

当然，这种交互方式还是不够人性化，所以接下去我们就需要安装一个客户端来连接本地大模型，并提供一个美观的交互UI，这样使用起来就方便多了。所以，我们接着做第三步：

第三步：安装可视化交互工具

现在比较流行的客户端有chatBox和Cherry Studio，此处推荐后者：

可以去官方（Cherry Studio - 全能的AI助手）下载，如果官方下载比较慢的话（如果不出意外的话，确实会比较慢），也可以直接通过我的网盘下载：

https://pan.baidu.com/s/1o6VeNhNycuSHEHQCFUhFnA?pwd=d97s 提取码: d97s

这个工具的安装没啥好说的，直接下一步点到底完成安装。

安装好之后，直接运行即可：

在上述界面中，点击左下角的小齿轮，进入ollama的配置界面，点击添加，把本地部署的模型添加进来：

当在CherryStudio中添加了本地部署的deepSeek模型之后，就可以通过聊天入口进行聊天了：

3、通过API调用本地大模型

对于有开发需求的小伙伴来说，仅仅用一个客户端怎么能满足需求呢？ 当然是要开启API模式，可以无拘无束地通过API集成的方式，集成到各种第三方系统和应用当中。

在本实例中，因为我们是基于Ollama框架运行了deepSeek R1模型，ollama相当于一个代理，我们直接调用ollama的API即可实现大模型接口的调用。

Ollama包装了完善的接口与大模型进行交互，详情可以自行查阅，在本例中，我们仅测试对话接口（chat）。

3.1 代码示例1：兼容OpenAI的接口调用：

import base64
from pathlib import Path

from openai import OpenAI

client = OpenAI(
    base_url='http://localhost:11434/v1/',

    # required but ignored
    api_key='ollama',
)

chat_completion = client.chat.completions.create(
    messages=[
        {
            'role': 'user',
            'content': '9.9和9.11哪个更大?',
        }
    ],
    model='deepseek-r1:8b',
    # stream=True,
    temperature=0.0,  # 可以根据需要调整温度值，决定生成的随机性程度
)

# 打印结果
print("模型返回的内容：")
print(chat_completion.choices[0].message.content)
# outputStr = ""
# for chunk in response_stream:
#     outputStr += chunk.choices[0].delta.content
#     print(chunk.choices[0].delta.content)

3.2 代码示例2：使用ollama简易API：

可以发现，使用Ollama封装的api明显简洁了很多：

from ollama import chat
from ollama import ChatResponse

response: ChatResponse = chat(model='deepseek-r1:8b', messages=[
  {
    'role': 'user',
    'content': '请用python写一段代码，可获取A股所有的股票代码。',
  },
])
print(response['message']['content'])
# or access fields directly from the response object
print(response.message.content)

3.3 代码示例3：基于历史消息的多轮问答：

from ollama import chat

messages = [

]

while True:
  user_input = input('Chat with history: ')
  response = chat(
    'deepseek-r1:14b',
    messages=messages
    + [
      {'role': 'user', 'content': user_input},
    ],
  )

  # Add the response to the messages to maintain the history
  messages += [
    {'role': 'user', 'content': user_input},
    {'role': 'assistant', 'content': response.message.content},
  ]
  print(response.message.content + '\n')

运行此代码，可以在控制台进行多轮交互问答，大模型每次都会基于既往已经回答的内容进行反馈，避免存在“失忆”的情况：

4、总结

总的来说，DeepSeek真的是普惠大众，国货之光！开源了这么优秀的大模型，为加速推进AI行业的发展做足了贡献。由于个人电脑配置（物理内存32G，显卡4060/8G）有限，只测试了8b， 14b两个模型，8b的版本理解力明显低于14b版本，一些初代模型都能很好回答的问题，8b版本竟不之所云。所以如果要对使用场景有一定要求的话，还是要使用更大参数量的版本。