DeepSeek 是一个专为高效推理设计的 AI 平台，它支持各种大规模语言模型的本地化部署。在本教程中，我们将详细介绍如何在本地环境中部署 DeepSeek 模型，并配置一个可视化的 Web UI——ChatBox，以便与模型进行交互。

---

第一步：安装 Ollama

Ollama 是一款支持多种 AI 模型的开源平台，它允许用户在本地或远程运行 DeepSeek 这样的模型。Ollama 提供了高效的推理和管理功能，适用于在本地机器上进行 AI 模型部署。

1. 访问 Ollama 官网下载页面：Download Ollama on macOS

2. 根据你操作系统的版本下载对应的 Ollama 安装包，并完成安装。

---

第二步：搜索并配置 DeepSeek 模型

在安装完成 Ollama 后，启动它并通过其界面或命令行工具来下载并配置 DeepSeek 模型。

配置模型：

1. 打开 Ollama，搜索 DeepSeek 模型。

2. 下载您所需要的模型版本，例如 deepseek-r1:1.5b。

3. 确保您的显卡满足模型的显存需求（例如：DeepSeek-r1:1.5b 至少需要 8GB 显存）。

4. 记住右上角的运行命令

模型版本	CPU	内存	GPU	GPU型号示例
1.5B	4核+	8GB+	非必需，可选4GB+	如GTX 1650/RTX2060
7B	8核+	16GB+	8GB+	如RTX 3070/4060
8B	8核+	16GB+	8GB+	如RTX 3070/4060
14B	12核+	32GB+	16GB+	如RTX 4090/A5000
32B	16核+	64GB+	24GB+	如A100 40GB
70B	32核+	128GB+	多卡	如2xA100 80GB
671B	64核+	512GB+	多卡	如8xA100/H100

第三步：在终端执行命令启动模型

在终端中执行以下命令来启动 DeepSeek 模型（来自于上一步的）：

ollama run deepseek-r1:1.5b

执行此命令后，模型将开始加载并运行。请耐心等待，直到加载完成。

安装完成后就可以在命令行中使用deepseek模型了！

---

以下是一些常用的 Ollama 命令，用于管理模型：

命令	描述
/bye	退出模型
ollama list	列出所有可用的模型
ollama run <model>	启动指定的模型
ollama ps	查看当前运行中的模型

例如，要退出当前模型，可以输入：

>>> /bye

或者要查看当前所有已安装的模型，可以使用：

C:\Users\chk> ollama list

可视化部署 Web UI - ChatBox 配置

ChatBox 是一个用于与 AI 模型进行交互的可视化界面，它能够通过简洁的界面让用户更方便地使用 DeepSeek 模型。接下来，我们将介绍如何将 ChatBox 连接到 Ollama 服务，并进行配置。

第一步：下载 ChatBox AI

1. 访问 ChatBox 官网。

2. 下载并安装 ChatBox AI 客户端。

3. 安装完成后，启动 ChatBox 客户端。

设置中文语言：

1. 在 ChatBox 客户端中，进入设置界面。

2. 选择语言设置，选择 中文。

第二步：将 ChatBox 连接到远程 Ollama 服务

1. 配置 Windows 环境变量

为了使 Ollama 服务能在您的本地网络中访问，您需要按下面的方式配置以下环境变量：

1. 退出 Ollama 服务。

2. 打开 Windows 设置 或 控制面板，搜索“环境变量”。

3. 编辑用户环境变量，创建或编辑以下变量：

   • OLLAMA_HOST 设置为 0.0.0.0。

4. 保存设置并重新启动 Ollama。

2. 配置 Ollama 服务的 IP 地址

配置完成后，您可以在本地网络中访问 Ollama 服务。查找您的电脑 IP 地址（通常形式为 192.168.X.X）：

ipconfig

在 ChatBox 客户端中，设置 API Host 为：

http://192.168.X.X:11434

3. 在防火墙中配置端口

如果您的计算机使用防火墙，可能需要允许 Ollama 服务使用 11434 端口。根据您的操作系统设置相应的防火墙规则，以确保没有阻止连接。

4. 配置模型

完成上述设置后，您可以在 ChatBox 中选择并配置要使用的模型。如果上述步骤都成功，可以看到已经下载的模型，选择即可。

第三步：效果演示

配置完成后，启动 ChatBox，并尝试与 DeepSeek 模型进行对话。

运行成功！

本地DeepSeek测试结果

1. 精准的算法问题求解

传统评测平台仅能判断代码是否正确，而DeepSeek可以：

• 分步解析题目：将复杂问题（如最短路径、背包问题）拆解为可理解的子任务。

• 提供多种解法：不仅输出代码，还能对比贪心、动态规划等不同算法的优劣。

案例：
当用户提交一道“二叉树层序遍历”问题时，DeepSeek会先解释BFS的思想，再给出代码实现，并提示队列优化的可能。

以下是一个场景演示：

用户提交代码如下：

class TreeNode:
    def __init__(self, val=0, left=None, right=None):
        self.val = val
        self.left = left
        self.right = right

def levelOrder(root):
    if not root:
        return []
    
    result = []
    queue = [root]
    
    while queue:
        level_size = len(queue)
        current_level = []
        
        for _ in range(level_size):
            node = queue.pop(0)
            current_level.append(node.val)
            
            if node.left:
                queue.append(node.left)
            if node.right:
                queue.append(node.right)
        
        result.append(current_level)
    
    return result

Deepseek的回复：

广度优先搜索(BFS)原理说明：

层序遍历是典型的BFS应用，其核心思想是：
1. 从根节点开始，按层级依次访问
2. 使用队列数据结构维护待访问节点
3. 每次处理一层的所有节点
4. 将子节点按顺序加入队列

时间复杂度：O(n)，需要访问每个节点一次
空间复杂度：O(n)，队列最大存储量为最后一层的节点数

代码优化建议

您的实现基本正确，但存在可优化点：
1. 使用list.pop(0)操作的时间复杂度为O(n)
2. 可以改用collections.deque提升队列操作效率

优化方案：

from collections import deque

def levelOrder_optimized(root):
    if not root:
        return []
    
    result = []
    queue = deque([root])  # 使用双端队列
    
    while queue:
        level_size = len(queue)
        current_level = []
        
        for _ in range(level_size):
            node = queue.popleft()  # O(1)时间复杂度的出队操作
            current_level.append(node.val)
            
            if node.left:
                queue.append(node.left)
            if node.right:
                queue.append(node.right)
        
        result.append(current_level)
    
    return result

2. 智能代码优化与性能分析

DeepSeek能检测代码中的潜在缺陷：

• 时间复杂度分析：自动识别嵌套循环导致的性能瓶颈。

• 空间优化建议：例如提醒用滚动数组替代二维DP表。

• 代码风格改进：如变量命名规范性、冗余逻辑简化。

以下是一个场景展示：

用户提交代码（斐波那契数列）：

def fib(n):
    if n <= 1:
        return n
    return fib(n-1) + fib(n-2)

DeepSeek反馈：

1. 时间复杂度分析：
   - 当前递归实现：O(2^n) 指数级复杂度
   - 递归树存在大量重复计算（如fib(3)被计算多次）

2. 优化建议：
   a) 记忆化搜索（Top-down DP）：
      ```
      memo = {}
      def fib(n):
          if n in memo: return memo[n]
          if n <= 1: return n
          memo[n] = fib(n-1) + fib(n-2)
          return memo[n]
      ```
      → 时间复杂度优化为O(n)

   b) 迭代法（Bottom-up DP）：
      ```
      def fib(n):
          if n <= 1: return n
          a, b = 0, 1
          for _ in range(2, n+1):
              a, b = b, a+b
          return b
      ```
      → 空间复杂度优化为O(1)

3. 数学与逻辑推理的强支持

对于涉及数学证明的算法题（如数论、组合数学），DeepSeek的强大逻辑推理能力机制使其能够：

• 推导数学公式（如斐波那契数列的矩阵快速幂解法）。

• 结合符号计算验证答案的正确性。

以下是一个场景演示：

用户提问：

"如何高效计算a^b mod m？"

DeepSeek反馈：

1. 数学原理推导：
   - 基于幂的二进制分解：
     a^b = a^(2^k) × a^(2^(k-1)) × ... × a^1
   - 模运算性质：
     (x × y) mod m = [(x mod m) × (y mod m)] mod m

2. 算法实现（Python）
    def fast_pow(a, b, m):
    result = 1
    a = a % m
    while b > 0:
    if b % 2 == 1:
    result = (result * a) % m
    a = (a * a) % m
    b = b // 2
    return result

3. 复杂度证明：
- 时间复杂度：O(log b)
- 空间复杂度：O(1)

DeepSeek提供的具体复杂度证明：

4. 低资源需求，高并发适配

• 在测试中，DeepSeek R1 的响应速度比同参数规模模型快20%，显存占用降低15%。

• 支持量化部署，可在消费级GPU（如我们组使用的RTX 4070）上流畅运行，降低平台硬件成本。

5.不足之处

• DeepSeek的代码风格较为工程化，多使用类等面向对象编程方法，和算法学习者的需要不符合。

• DeepSeek生成的代码较为多变，没有统一的码风，不利于初学者形成编程范式。

总结

通过本教程，您已经学会了如何手动部署 DeepSeek 模型并将其与 ChatBox 连接。通过这些步骤，您可以在本地环境中高效地运行 DeepSeek 模型，进行多轮对话和推理任务。

对于我们的项目而言，该工作是项目的基础性工作，是后续微调+RAG工作的必要工作