DeepSeek R1 本地部署保姆级教程

DeepSeek 是一个强大的 AI 模型，通过 Ollama 这个便捷工具，我们可以轻松实现本地部署。Ollama 不仅支持 DeepSeek，还支持通义千问等多个开源模型，是一个非常实用的 AI 模型运行平台。

LearnAIwithZhang

1834人浏览 · 2025-02-09 10:16:58

LearnAIwithZhang · 2025-02-09 10:16:58 发布

本教程将指导您如何使用 Ollama 在本地轻松部署 DeepSeek 模型，即使您不是技术专家也能轻松上手。

一、前言

二、安装 Ollama

访问 Ollama 官网：https://ollama.com/
点击 “Download” 按钮
选择适合您系统的版本下载（本教程以 Windows 为例）
下载完成后运行安装程序
点击 “Install” 按钮完成安装

提示：如果下载速度较慢，可以尝试使用迅雷等下载工具加速。

三、选择并下载模型

在 Ollama 官网点击左上角 “Models”
找到 deepseek-r1 系列模型
根据您的设备配置选择合适的模型版本：
- 入门级设备建议选择 1.5b 版本
- 性能较好的设备可以尝试 7b 或 14b 版本
- 具体选择可以参考设备配置要求

打开命令提示符（Win+R 输入 cmd）

输入模型下载命令：

ollama run deepseek-r1:1.5b   # 1.5b版本
# 或
ollama run deepseek-r1:7b     # 7b版本
# 或
ollama run deepseek-r1:14b    # 14b版本

四、使用模型对话

模型下载完成后会自动进入对话模式
在提示符 >>> 后输入问题并按回车
常用命令：
- /clear - 清除上下文，重新开始对话
- /bye - 退出对话模式
- 直接输入问题 - 开始对话

五、日常使用说明

启动模型

按 Win+R 打开运行
输入 cmd 打开命令提示符
输入启动命令：ollama run 模型名称
例如：ollama run deepseek-r1:1.5b

模型管理命令

查看已安装模型：ollama list
删除模型：ollama rm 模型名称
例如：ollama rm deepseek-r1:1.5b
查看所有命令：直接输入 ollama

六、注意事项

硬件要求：
- 1.5b 版本：最低 8GB 内存
- 7b 版本：建议 16GB 以上内存
- 14b 版本：建议 32GB 以上内存
存储空间：
- 请确保有足够的硬盘空间（模型文件较大）
- 1.5b 约需 3GB
- 7b 约需 15GB
- 14b 约需 30GB
使用建议：
- 首次使用建议从小模型开始尝试
- 确保网络稳定，避免下载中断
- 使用时保持电脑有足够的可用内存

七、常见问题解答

Q: 模型下载速度慢怎么办？
A: 可以尝试使用迅雷等下载工具，或者在网络良好的环境下进行下载
Q: 如何切换不同的模型？
A: 退出当前模型对话后，使用 ollama run 命令启动其他模型
Q: 模型占用空间太大怎么办？
A: 可以使用 ollama rm 命令删除不常用的模型，需要时再重新下载
Q: 运行时提示内存不足？
A: 尝试使用更小的模型版本，或关闭其他占用内存的程序

八、通过 API 接口访问模型

1. API 基本信息

默认 API 地址：http://localhost:11434/api
支持的请求方式：POST
数据格式：JSON

2. 主要 API 接口

生成回答（Generate）

curl -X POST http://localhost:11434/api/generate -d '{
  "model": "deepseek-r1:1.5b",
  "prompt": "你好，请介绍一下自己",
  "stream": false
}'

聊天对话（Chat）

curl -X POST http://localhost:11434/api/chat -d '{
  "model": "deepseek-r1:1.5b",
  "messages": [
    {
      "role": "user",
      "content": "你好，请介绍一下自己"
    }
  ],
  "stream": false
}'

3. Python 示例代码

import requests

def chat_with_model(prompt):
    url = "http://localhost:11434/api/chat"
    data = {
        "model": "deepseek-r1:1.5b",
        "messages": [
            {
                "role": "user",
                "content": prompt
            }
        ],
        "stream": False
    }

    response = requests.post(url, json=data)
    return response.json()

# 使用示例
response = chat_with_model("你好，请介绍一下自己")
print(response['message']['content'])

4. JavaScript 示例代码

async function chatWithModel(prompt) {
  const url = "http://localhost:11434/api/chat";
  const data = {
    model: "deepseek-r1:1.5b",
    messages: [
      {
        role: "user",
        content: prompt,
      },
    ],
    stream: false,
  };

  const response = await fetch(url, {
    method: "POST",
    headers: {
      "Content-Type": "application/json",
    },
    body: JSON.stringify(data),
  });

  return await response.json();
}

// 使用示例
chatWithModel("你好，请介绍一下自己")
  .then((response) => console.log(response.message.content))
  .catch((error) => console.error("Error:", error));