前言

使用Deepseek总是服务繁忙，其他第三方平台又虽然也部署了满血版本。但是对于不想把自己的资料喂给第三方的同学，那就不得不部署本地版本的啦

我的配置：6G显存，32G内存，运行DeepSeek-r1:14B用得非常舒服，同时发现其实14b的也不差，甚至觉得比第三方平台要更好用。

一、Dify部署与智能体搭建

Dify部署虽然听起来复杂，但实际上通过Docker部署是一个相当便捷的方法。

官网有非常详细的教程。https://docs.dify.ai/zh-hans/getting-started/install-self-hosted/docker-compose

前提条件

安装 Dify 之前, 请确保你的机器已满足最低安装要求：

CPU >= 2 Core

RAM >= 4 GiB

1.1 克隆Dify代码仓库

Dify部署的方式相对来说比较简单，这里教大家使用Docker进行部署，Docker的安装方法这里不再赘述，大家可以自行搜索。

• 首先，克隆 Dify 源代码至本地环境：

git clone https://github.com/langgenius/dify.git      

1.2 启动Dify

（1）进入 Dify 源代码的 Docker 目录

cd dify/docker   

复制环境配置文件

cp .env.example .env   

（2）启动 Docker 容器

根据你系统上的 Docker Compose 版本，选择合适的命令来启动容器。你可以通过 $ docker compose version 命令检查版本，详细说明请参考 Docker 官方文档：

如果版本是 Docker Compose V2，使用以下命令：

docker compose up -d   

如果版本是 Docker Compose V1，使用以下命令：

docker-compose up -d   

运行命令后，你应该会看到类似以下的输出，显示所有容器的状态和端口映射：

二、SearXNG集成与部署

SearXNG是一个免费的互联网元搜索引擎，能够整合多种搜索服务的检索结果，并且保护用户隐私。将其集成到Dify中也需要遵循一定流程。

（1）首先，需要修改Dify配置文件。

SearXNG的配置文件位于

dify/api/core/tools/provider/builtin/searxng/docker/settings.yml。

根据自身需求修改配置或者直接使用默认配置均可。

（2）然后，在Dify根目录下启动SearXNG的Docker容器。执行cd dify之后，

使用docker run --rm -d -p 8081:8080 -v "${PWD}/api/core/tools/provider/builtin/searxng/docker"命令。

这一步骤类似于为SearXNG打开大门，使其能够进入Dify环境中。

（3）最后，在Dify中使用SearXNG。

在“工具 > SearXNG > 去认证”中填写访问地址，默认情况下SearXNG的Docker内网地址为“http://host.docker.internal:8081”。填写完毕后点击授权并保存设置。如果一切顺利，将会看到“已授权”的提示。

三、Ollama部署Deepseek-r1

这里我们部署了14B的，非常简单，直接去官网搜索模型。

根据官方命令，把模型下载，并运行模型：

四、智能体搭建扩展

之前几步都是基础，现在我们要把之前的都利用起来。

（1）Dify集成ollama

首先利用Dify把ollama的模型集成进来，这里完全参考官方教程即可：

接入ollama部署的本地模型：

https://docs.dify.ai/zh-hans/development/models-integration/ollama

(2) 构建智能体

• prompt提示词:

# 职位描述
## 角色
你的主要任务是人工智能辅助助手，能够调用联网搜索、网页爬虫、获取时间等相关工具，收集相关信息，回答用户的提问。

## 技能
### 技能1：知识库检索相关内容
### 技能2：使用time工具获取当前的时间
### 技能3：使用tavily_search功能进行联网搜索
### 技能4：使用webscraper功能对搜索到的相关内容进行爬取，并进行总结分析

## 限制
- 每次都必须检索知识库，如果没有相关内容，再进行联网搜索
- 你的回答应严格针对分析任务。使用结构化语言，逐步思考
- 使用的语言应和用户提问的语言相同
- 搜索的关键词必须和用户提问的内容一致    

• 工具：

• 测试

首先第一次推理思考，查找大模型本身的知识：

根据过程，在本身知识库查找不到，则进行联网搜索。

最后，把联网搜索的知识进行汇总：

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓