一、说明

在调用deepseek模型时，多数推荐到官网申请api-key后才进行开发，这种方式虽然避免了本地部署大模型，但确需要收费，包括openAI也是一样的。所以自己在本地部署模型，使用也方便，唯一的不足是模型的精度问题，当然如果只是用来学习模型的应用完全没有问题。本实验均为在本地实操搭建的环境，主要流程如下：

1. ollama本地部署的deepseek模型。
2. 搭建conda环境虚拟环境，需要引入相关包进行调用。
3. 写代码测试，主要使用

二、ollama本地部署的deepseek模型

请参考我写的一篇文章ollama本地部署的deepseek模型，我是在这个环境的基础上继续搭建的。

三、搭建本地conda环境

1. 版本介绍
   ollama: 0.6.2
   deepseek: deepseek-r1:7b
   conda: 23.5.2
   python: 3.10

2. 使用conda创建一个虚拟环境，此种方式可以隔离其他环境对你的干扰。创建的方式参考其他博主文章，非常简单，下面是我创建的环境：
   使用如下命令：

conda create --name chat_to_deepseek python=3.10

3. 安装相关依赖包：

pip install langchain
pip install langchain_ollama

四、写代码测试

1. 使用pycharm创建一个新的工程，环境选择刚才创建的chat_to_deepseek虚拟环境。
2. 测试代码如下：

from langchain_ollama import OllamaLLM
from langchain.prompts import PromptTemplate

# 创建提示模板
prompt = PromptTemplate(
    input_variables=["question"],
    template="请回答这个问题: {question}"
)

# 创建 OllamaLLM 实例
llm = OllamaLLM(model="deepseek-r1:7b", base_url="http://localhost:11434")

# 创建 RunnableSequence 实例
chain = prompt | llm

# 运行链
question = "人工智能的发展趋势如何？"
result = chain.invoke({"question": question})
print(result)

3. 运行结果展示：
   

福利

这篇文章主要讲了在此基础环境上如何使用prompts进行开发，使用prompts模板来调教大语言模型LLM的输入与输出，打造自己专属的“贾维斯”