保姆级教程：DeepSeek R1本地化部署以及API调用

1、DeepSeek简介

最近火出圈的AI科技公司，不用多介绍了。

2、本地化部署步骤

网上已经有很多视频教程告诉大家如何部署了，过程其实非常简单，此处不再赘述了，只略作总结。另外，部署过程中最耗时的是资源和工具的下载。

总的来说，本地化部署DeepSeek R1，我总结了以下三个步骤，完成之后，你就可以愉快地与大模型聊天了，本地化部署之后的使用不依赖任何网络，零成本，用了都说好！

第一步：下载Ollama

进入Ollama网站，直接点击download即可（注意自己是windows还是mac还是Linux）， 本教程以Windows为例，其余操作系统大同小异。

第二步：通过命令行下载R1模型

这一步也很简单，直接进入DeepSeek R1模型下载页面：deepseek-r1

将复制的命令行，直接黏贴到命令行窗口按回车执行即可：

接下去就是一个较长时间的等待，等安装完毕就可以直接通过命令行与大模型交互了：

当然，这种交互方式还是不够人性化，所以接下去我们就需要安装一个客户端来连接本地大模型，并提供一个美观的交互UI，这样使用起来就方便多了。所以，我们接着做第三步：

第三步：安装可视化交互工具

现在比较流行的客户端有chatBox和Cherry Studio，此处推荐后者：

这个工具的安装没啥好说的，直接下一步点到底完成安装。

安装好之后，直接运行即可：

在上述界面中，点击左下角的小齿轮，进入ollama的配置界面，点击添加，把本地部署的模型添加进来：

通过ollama list查找本地部署的模型，直接拷贝模型name即可

当在CherryStudio中添加了本地部署的deepSeek模型之后，就可以通过聊天入口进行聊天了：

3、通过API调用本地大模型

对于有开发需求的小伙伴来说，仅仅用一个客户端怎么能满足需求呢？ 当然是要开启API模式，可以无拘无束地通过API集成的方式，集成到各种第三方系统和应用当中。

在本实例中，因为我们是基于Ollama框架运行了deepSeek R1模型，ollama相当于一个代理，我们直接调用ollama的API即可实现大模型接口的调用。

Ollama包装了完善的接口与大模型进行交互，详情可以自行查阅，在本例中，我们仅测试对话接口（chat）。

3.1 代码示例1：兼容OpenAI的接口调用：

import base64
from pathlib import Path

from openai import OpenAI

client = OpenAI(
    base_url='http://localhost:11434/v1/',

    # required but ignored
    api_key='ollama',
)

chat_completion = client.chat.completions.create(
    messages=[
        {
            'role': 'user',
            'content': '9.9和9.11哪个更大?',
        }
    ],
    model='deepseek-r1:8b',
    # stream=True,
    temperature=0.0,  # 可以根据需要调整温度值，决定生成的随机性程度
)

# 打印结果
print("模型返回的内容：")
print(chat_completion.choices[0].message.content)
# outputStr = ""
# for chunk in response_stream:
#     outputStr += chunk.choices[0].delta.content
#     print(chunk.choices[0].delta.content)

3.2 代码示例2：使用ollama简易API：

可以发现，使用Ollama封装的api明显简洁了很多：

from ollama import chat
from ollama import ChatResponse

response: ChatResponse = chat(model='deepseek-r1:8b', messages=[
  {
    'role': 'user',
    'content': '请用python写一段代码，可获取A股所有的股票代码。',
  },
])
print(response['message']['content'])
# or access fields directly from the response object
print(response.message.content)

3.3 代码示例3：基于历史消息的多轮问答：

from ollama import chat

messages = [

]

while True:
  user_input = input('Chat with history: ')
  response = chat(
    'deepseek-r1:14b',
    messages=messages
    + [
      {'role': 'user', 'content': user_input},
    ],
  )

  # Add the response to the messages to maintain the history
  messages += [
    {'role': 'user', 'content': user_input},
    {'role': 'assistant', 'content': response.message.content},
  ]
  print(response.message.content + '\n')

运行此代码，可以在控制台进行多轮交互问答，大模型每次都会基于既往已经回答的内容进行反馈，避免存在“失忆”的情况：

4、总结

总的来说，DeepSeek真的是普惠大众，国货之光！开源了这么优秀的大模型，为加速推进AI行业的发展做足了贡献。由于个人电脑配置（物理内存32G，显卡4060/8G）有限，只测试了8b， 14b两个模型，8b的版本理解力明显低于14b版本，一些初代模型都能很好回答的问题，8b版本竟不之所云。所以如果要对使用场景有一定要求的话，还是要使用更大参数量的版本。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​