基于WSL2+Ollama部署DeepSeek全攻略，打造个人知识库

于 2025-05-12 09:31:06 发布
阅读量94 收藏
点赞数 4
分类专栏： 知识文档 大模型 文章标签： deepseek部署 个人知识库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a1ccwt/article/details/147888920
版权

一、环境准备：配置WSL2开发环境

1.1 启用WSL2功能

首先需要在Windows系统中启用WSL功能：

# 以管理员身份打开PowerShell执行
dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

# 重启计算机后，设置WSL2为默认版本
wsl --set-default-version 2

1.2 安装Ubuntu发行版

# 查看可用发行版
wsl --list --online

# 安装Ubuntu 22.04 LTS
wsl --install -d Ubuntu-22.04

# 安装后设置用户名和密码

1.3 基础环境配置

# 更新软件包索引
sudo apt update && sudo apt upgrade -y

# 安装基础工具
sudo apt install -y build-essential curl wget git python3-pip

# 配置Python环境
sudo update-alternatives --i
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【实战篇】手把手教你本地私有化部署DeepSeek全攻略：从硬件选型到避坑指南（超详细万字长文）
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
02-19 3177
最近AI圈最火的大模型非DeepSeek莫属！这个号称"推理能力堪比GPT-4o"的国产大模型，不仅开源免费，还能在普通电脑上运行。今天我就用最接地气的语言，给你掰开了揉碎了讲清楚。
打造个人知识库，wsl+ollama部署deepseek与vscode集成
最新发布
城下秋草‘s Blog
05-07 1775
本文就记录下在WSL中通过Ollama和CherryStudio搭建本地大模型，并将本地模型集成到VsCode的AI助手的过程分享。
基于Windows11的WSL2通过Ollama平台安装部署DeepSeek-R1模型
阿炳的旅程的博客
03-27 340
按住输入打开命令行systeminfo看到如下字样，代表电脑已经支持虚拟化，可继续安装在中搜索“开发者设置”并打开；打开并点击开启“适用于Linux的Windows子系统”打开，选中“适用于Linux的Windows子系统”，然后点击使用管理员打开power shell。
DeepSeek-R1+ Ollama 本地部署全攻略
python12222_的博客
03-04 672
敏感数据无需上传云端，全程在本地运行。支持接入企业知识库/行业数据库（PDF/Excel/Markdown等格式）。单张消费级显卡即可运行，长期使用成本低于云服务。NVIDIA显卡（≥8GB显存） → 适合7B/8B模型。NVIDIA显卡（≥16GB显存） → 支持14B大模型。可使用CPU模式运行（速度约为GPU的20%）。Windows 10/11（21H2及以上版本）。若只需运行DeepSeek-R1模型‌ → 可不安装Docker，直接使用Ollama本地运行。
ollama + deepseek + RAGflow实战 -- 避坑全攻略
fengguang_mail的博客
03-19 1944
新手安装ollama + deepseek + RAGflow全过程，其中不少操作看上去简单，实际是经过不少折腾才完成，按照本流程可以轻松完成deepseek + RAGflow的部署。
人工智能丨DeepSeek-R1+ Ollama 本地部署全攻略
ceshiren_com的博客
03-04 1135
敏感数据无需上传云端，全程在本地运行。支持接入企业知识库/行业数据库（PDF/Excel/Markdown等格式）。单张消费级显卡即可运行，长期使用成本低于云服务。
【工业级实战】Spring AI集成Ollama本地化DeepSeek全链路开发指南
qq_36743472的博客
03-05 529
本文详解Spring AI集成Ollama本地化DeepSeek大模型的完整方案，涵盖7B/67B模型加载优化、Spring Boot 3.2集成配置。通过ChatClient实现流式对话，提供优化策略：Micrometer监控、RateLimiter限流、Prompt内容消毒。实测单节点QPS达62，响应时间低于1.3秒，包含压力测试数据与异常处理方案，适用于私有化知识库、代码助手等场景。
Windows零门槛部署DeepSeek大模型：Ollama+7B参数模型本地推理全攻略
热门推荐
zxg的博客
03-05 1万+
首先将下载的ollama.exe程序放到指定目录（默认下载目录也可以），通过powerShell进入到安装文件所在目录。在下载模型前，需要注意，直接运行下方命令后，下载的模型默认还是存储在C盘的，可以通过以下方式先配置模型存储路径，再下载。：上诉方法安装后直接在电脑C盘，如果对于C盘空间不足的同学可以按以下方式制定目录安装到其他盘。此处可以通过Ollama官网，点击Models查看要下载的模型命令信息。也可以选择其他模型，命令从Ollama官网查看。执行万上述命令后，安装已完成，如下所示。
保姆级教程】Windows零门槛部署DeepSeek大模型：Ollama+7B参数模型本地推理全攻略
qq_36743472的博客
03-04 1358
本文详解在Windows系统通过Ollama框架本地部署DeepSeek大模型的全流程，涵盖环境配置→模型加载→API调用→性能优化四阶段。基于Ollama 0.5.3版本，实现DeepSeek-7B模型的CPU/GPU混合推理，单次响应速度提升300%。关键步骤包括：Windows终端改造、Ollama服务部署、模型量化方案选择（推荐Q4_K_M）、LangChain集成实战等。提供免费模型下载地址及20系显卡优化方案，最终实现8GB内存设备流畅运行大模型。
热点技术解析：DeepSeek+Dify本地知识库，用户好评如潮！
m0_65555479的博客
03-29 1163
之前我做了个AnythingLLM+DeepSeek去搭建本地知识库的教程，我发现阅读数挺高的，说明大家挺喜欢这个系列。但是我最近又发现 Dify+DeepSeek 去搭建本地知识库才是最牛的，，比德芙还要丝滑~今天这篇文章，纯小白也可以跟着做，不需要有计算机技术基础哦，一起来动手搭建本地最强知识库吧！
RagFlow + Docker Desktop + Ollama + DeepSeek-R1本地部署自己的本地AI大模型工具
程序老曹的博客
02-11 3045
首先，我们需要下载 Ollama 以及配置相关环境。Ollama 的。
超级详细的 Ollama 结合 DeepSeek + Docker + Open Web UI 构建本地AI知识库教程
IT小郭的技术博客
03-05 1679
Ollama结合DeepSeek、Docker和Open Web UI构建本地AI知识库教程，将带您轻松搭建一套高效、易用的智能问答系统。本教程通过Docker容器化技术，简化了环境配置过程，确保了系统的稳定运行。DeepSeek作为强大的知识库构建工具，助力您快速整合各类数据资源。Open Web UI则为用户提供了一个美观、直观的交互界面。跟随本教程，您将掌握从零开始搭建AI知识库的完整流程，实现个性化智能问答服务，助力您在短时间内成为AI领域的专家。快来开启您的AI知识库搭建之旅吧！
【笔记】linux离线部署Ollama+Deepseek r1+open webui
MrIqzd的博客
01-29 1万+
昨天看到了实验室服务器文件夹下面有一个deepseek的gguf文件，就顺便部署一下至于为什么要本地呢？可能有一些学术隐私的东西不方便被收集吧。（我应该没有关系，反正都是学术垃圾）实验室服务器是ubuntu 18（没人管理升级），不能上外网。看了一眼lm studio的linux，要求ubuntu20https://lmstudio.ai/docs/system-requirements，所以选择了ollama。在这里选择ollama+open webui进行部署。
java免费代码混淆工具 支持JDK16 java加密
专注AI大模型,软件混淆,授权
02-21 9857
java免费混淆工具,支持JDK16,java字符串加密
java代码混淆,程序加密推荐 java授权 支持JDK16
专注AI大模型,软件混淆,授权
08-12 9032
java代码可以反编译，特别是放在客户端的程序很用被剽窃,盗用.保护程序一般都有以下几个方法: 　　1、将class文件加密，这个是最安全的，但也费事儿，因为要重写classloader来解密class文件； 　　2、使用花指令，使得class文件不能反编译（利用反编译工具漏洞)；安全性一般，还是有花指令破解器； 　　3、代码混淆，提高代码阅读成本；简单易操作，一般采用这种或者与其它方式结合 以上几种方法都需要自己花时间研究代码混淆方案,或者修改代码逻辑使阅读更困难, 或者代用第三方的加密混淆工具,
计算两个时间 相差多少时分秒
专注AI大模型,软件混淆,授权
10-31 7553
package com.bjnlmf.nerc.message.api.util; import java.text.DateFormat; import java.text.ParseException; import java.text.SimpleDateFormat; import java.util.Date; public class ValidateTime { /**
java离线日期授权解决方案 解决改系统日期 Java代码混淆 日期混淆
专注AI大模型,软件混淆,授权
11-25 6186
在java项目中,需要客户定制离线授权时,怎么保证软件时效性呢? 如果用日期授权比如一年,如果单纯的获取系统时间,在离线的情况下,如果客户修改系统时间,软件的授权无法控制. 导致经济利益的损失. 下面我介绍写我的方案: 1.没有做授权方案的代码, 修改系统时间,反编译代码, 所有逻辑一览无余,无法保证内容不被破解,复制,修改 package com.haiteng.action.autoreport; import java.text.DateFormat; import java.text...
java授权解决方案 字符串加密 混淆 日期授权加密 代码混淆
专注AI大模型,软件混淆,授权
11-15 4505
java软件授权,字符串加密通常写到class类中, 实现一些具体功能, 但是 通过gui反编译以后所有业务逻辑加密授权一览无余,极容易被破解,反编译. 无法保证产权和利益. 下面通过一个案例展示解决方案. 代码源码,通过字符串,日期授权软件相关功能 package com.dongrun.action.autoreport; import java.text.DateFormat; import java.text.SimpleDateFormat; import java.util.Date;
wsl ollama本地部署deepseek
02-21
### 部署 DeepSeek 模型于 WSL 环境 #### 准备工作 为了在 Windows Subsystem for Linux (WSL) 中成功部署 DeepSeek 模型，需先安装并配置好 Docker 和 Ollama 工具。确保已启用 WSL2 并完成基础设置。 #### 安装 Docker 通过命令行执行以下操作来安装 Docker： ```bash sudo apt-get update sudo apt-get install -y docker.io ``` 确认 Docker 正常启动和服务状态： ```bash sudo systemctl start docker sudo systemctl enable docker ``` 验证 Docker 是否正常运作可尝试拉取官方测试镜像： ```bash sudo docker run hello-world ``` #### 获取与初始化 Ollama 下载最新版本的 Ollama 及其依赖项至本地环境内： ```bash curl -fsSL https://ollama.com/install.sh | sh - ``` 此脚本会自动处理必要的安装过程[^1]。 #### 启动 Ollama 服务 利用 Docker 命令开启 Ollama 的容器实例： ```bash docker start ollama # 启动Ollama容器 ``` 对于首次使用者来说，这一步骤至关重要因为它负责加载所需的全部组件到内存之中以便后续调用。 #### 运行 DeepSeek 模型 当一切准备就绪之后就可以请求特定参数下的 DeepSeek 模型了： ```bash docker exec -it ollama ollama run deepseek-r1:1.5b ``` 上述指令将会基于先前创建好的 Ollama 实例内部运行指定大小（此处为 `1.5b` 参数表示拥有约十亿五千万个参数量级）的 DeepSeek 模型[^2]。 每次重启计算机或是关闭 WSL 终端之前记得保存当前的工作进度；如果中途停止过 WSL 或者机器本身，则需要重复以上提到的服务唤醒步骤以恢复正常功能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

非著名架构师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值