【Win11家庭版安装Dify+Ollama+Deepseek本地大模型全流程-小白保姆级】

大鹏来了

已于 2025-02-13 15:55:50 修改

阅读量9.6k

点赞数 23

分类专栏：人工智能文章标签：语言模型 AIGC llama chatgpt agi

于 2025-01-20 16:08:57 首次发布

本文链接：https://blog.csdn.net/weixin_42260955/article/details/145262753

版权

Win11家庭版安装Dify+Ollama+Deepseek本地大模型实战

机缘巧合下本人开始探索dify开发应用平台，并结合ollama部署Deepseek本地大模型，探索大模型在日常工作、项目过程中能否解决业务逻辑问题，起到了意想不到的作用。

部署前准备

个人笔记本一台，系统为Windows 11 家庭中文版。
软件准备：网上搜着dify部署需要准备安装Docker、Docker Compose、Git以及Python 3.x和Node.js等开发环境，后面还有Ollama以及大模型安装。其中，git、pytho、node这些都是官网下载，默认安装，没啥大问题。

一、 Docker部署

docker安装前置条件会多些，个人整理的关键步骤如下：
1、win11家庭版默认不带Hyper-V，需要自己安装。流程如下：
1）创建hyper.bat文件，内容如下，以管理员身份运行hyper.bat。

pushd "%~dp0"
dir /b %SystemRoot%\servicing\Packages\*Hyper-V*.mum >hyper-v.txt
for /f %%i in ('findstr /i . hyper-v.txt 2^>nul') do dism /online /norestart /add-package:"%SystemRoot%\servicing\Packages\%%i"
del hyper-v.txt
Dism /online /enable-feature /featurename:Microsoft

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

大鹏来了

关注关注

23
点赞
踩
64

收藏

觉得还不错? 一键收藏
5
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

DeepSeek + Dify + Ollama + Docker + Linux 私有化部署，构建你的专属私人 AI 助手

s13166803785的博客

02-17

3792

通过以上步骤，你可以在 Linux 环境下使用 Docker 部署 DeepSeek、Dify 和 Ollama，构建一个专属的私人 AI 助手。构建一个专属的私人 AI 助手，结合 DeepSeek、Dify、Ollama 和 Docker 在 Linux 环境下进行私有化部署，是一个复杂但非常有价值的项目。根据需求，你可以进一步扩展和优化你的 AI 助手，例如添加更多的 AI 模型、优化性能、增加安全性等。DeepSeek 是一个强大的 AI 模型，你需要将其部署在 Docker 容器中。

超实用！用 Ollama + DeepSeek + Dify 搭建本地知识库，提升企业效率

Happiness is everywhere

02-13

3203

本文介绍了如何使用 Ollama + DeepSeek + Dify 搭建本地知识库，帮助企业高效管理信息。通过简单配置，可实现智能问答、文档检索等功能，提升效率并保障数据安全。

5 条评论您还未登录，请先登录后发表或查看评论

Dify + Ollama + DeepSeek 实现 DeepSeek 离线部署个人知识库(Dify GitHub zip包)

02-13

使用Dify + Ollama + DeepSeek 实现 DeepSeek 离线部署个人知识库 Dify是一个开源的LLM应用开发平台，它通过直观的可视化界面，帮助开发者快速构建和部署AI应用，支持包括模型管理、知识库、工作 Ollama与AnythingLL结合，可以提供更丰富的交互体验。也可使用支持Ollama的webUI，如 AnythingLLM、Dify、Open-WebUI 等。 Open-WebUI：定位纯聊天界面，支持多模型集成，你可以把它当做一个能“轻松切换模型、马上对话”的 Web 面板，如果只是想单纯体验 Ollama 的生成效果，Open-WebUI 是最方便的。Open web是一个可扩展、功能丰富、用户友好的自托管AI平台，旨在完全离线运行。它支持各种LLM运行程序。 AnythingLLM：更专注于文档知识库与问答场景，自带向量检索管理，可“多文档整合”，接入 Ollama 后实现本地化问答。 Dify：功能多元，适合对话流管理、插件化扩展、团队协同等复杂需求。只要能在其后台正确配置 Ollama 地址，即可灵活调用

Win11家庭版安装Dify

Zlzxzw的博客

12-20

1440

复制docker-compose.yaml中的内容，把your-acr-namespace 替换成自己的名字，然后把docker-compose.yaml放到dify/dock目录中。8、进入docker desktop，直接搜索就成功了，没有像参考博客中配置镜像，成功看到出现。4、安装docker 需要先保证Windows with WSL 2 enabled。将ubuntu安装在非C盘，import时遇到拒绝访问，可以使用管理员权限打开可解决。10.2 自己搭建自己的镜像。2、需要先安装docker。

从零开始，小白在windows部署deepseek与dify

m0_53591319的博客

03-11

4653

看到网上那么多deepseek与dify，ragflow，anything等文章，自己部署的时候又踩了好多坑，不停的重装电脑。现在就记录一下deepseek与dify部署的最细记录，以及碰到的问题和解决方法。

AGI 之【Dify】之 Dify 在 Windows 端本地部署调用 Ollama 本地下载的大模型， API 形式 Python 调用进行简单聊天接口测试

仙魁XAN

10-25

9536

AGI，即通用人工智能（Artificial General Intelligence），是一种具备人类智能水平的人工智能系统。它不仅能够执行特定的任务，而且能够理解、学习和应用知识于广泛的问题解决中，具有较高的自主性和适应性。AGI的能力包括但不限于自我学习、自我改进、自我调整，并能在没有人为干预的情况下解决各种复杂问题。本节将介绍如何使用 Dify 平台调用 Ollama 部署的本地模型来创建一个聊天应用。通过 API 的方式发起聊天，可以让前端自由布置所需的聊天形式。

【教程】使用docker+Dify搭建一个本地知识库

不愿意透露姓名的网友

02-25

1071

现在AI火的一塌糊涂，再不搭建一个自己的AI知识库就有点落伍了，这里我是自己的windows11电脑。用了docker+dify+deepseek。

Windows 11 安装 Dify 完整指南非docker环境

大白菜代码的博客

12-24

1万+

【代码】Windows 11 安装 Dify 完整指南非docker环境。

Win11本地从零开始部署dify全流程

热门推荐

qq_49035156的博客

10-27

4万+

这篇博客将详细介绍如何在 Windows 系统上部署 Dify，适合零基础用户。从 Docker 和 WSL 的安装配置开始，逐步指导用户设置 Git、Docker 环境以及 Dify 配置文件，解决可能遇到的端口冲突等问题，最终完成 Dify 的启动和测试。通过简明易懂的步骤，帮助用户在本地成功运行 Dify，实现模型供应商配置，让 Dify 项目在 Windows 平台上顺利上线。

智能体学习：本地部署Dify

qq_39502517的博客

02-02

1万+

智能体学习之路，本地部署Dify

Win10 成功部署 docker + dify + 豆包和遇到的所有坑

东山一笑

01-11

5701

Win10 成功部署 docker ， dify，豆包大模型，遇到的所有坑。

window本地部署Dify

Baker的博客

05-27

6140

这节一起来实现Dify的离线部署，官方的github仓库也提供了docker的部署方式，我们也使用docker的方式部署，因此需要在window上安装docker环境，安装好后，我们先从github将源码下载下来，然后解压到一个文件夹下，这里是我下载后解压的项目目录。所以有端口冲突可以在此修改，当所有组件pull不并started后就可以了，打开浏览器，输入IP+port,如果刚才映射的端口被修改，要记得这里的port是修改映射后的新端口，修改后，打开命令提示符，进入项目的docker目录下，输入命令。

AI菜鸟向前飞 — LLM简介

2401_82469710的博客

05-11

1556

AI菜鸟向前飞 — LLM简介

dify ollama模型

01-05

### Dify 和 Ollama 模型简介 Dify 是一种用于开发和测试新应用程序功能的强大工具，允许开发者利用其环境快速实现与大型语言模型的交互。通过编写代码可以轻松集成这些模型的输入输出逻辑，或是借助 Dify 提供的应用程序编程接口(API)完成更复杂的操作，如模型调用和管理等功能[^1]。对于Ollama模型而言，默认情况下它们会被保存在特定的操作系统路径下：macOS系统的`~/.ollama/models`目录；Linux系统的`/usr/share/ollama/.ollama/models`位置；而在Windows操作系统上则是位于用户的个人文件夹下的`.ollama\models`子目录内[^2]。当考虑构建基于本地的知识库并处理可能出现的技术难题时，采用Ollama加上Dify平台配合大规模预训练语言模型(LLM)，能够有效提升效率。具体来说，在选择推理引擎方面有多种选项可供挑选，例如Qwen2.5、Llama3或者是GEMMA等不同版本。考虑到计算资源消耗情况和个人设备性能水平，推荐一般计算机选用参数量较小的版本比如7B或8B规模的模型，因为更大尺寸的模型不仅难以运行而且占用更多空间[^3]。 ```python import dify_sdk as sdk # 初始化Dify SDK客户端配置 client = sdk.Client(api_key='your_api_key') def load_ollama_model(model_name, model_size="7b"): """加载指定名称和大小的Ollama模型""" path_mapping = { "mac": f"~/.ollama/models/{model_name}-{model_size}", "linux": f"/usr/share/ollama/.ollama/models/{model_name}-{model_size}", "windows": rf"C:\Users\<username>\.ollama\models\{model_name}-{model_size}" } system_type = detect_system() # 假设有一个函数detect_system返回当前系统类型 try: with open(path_mapping[system_type], 'rb') as file: return client.load_model(file.read()) except Exception as e: print(f"Failed to load {model_name} due to error: ", str(e)) def main(): loaded_model = load_ollama_model('qwen', '7b') if not loaded_model is None: result = perform_inference(loaded_model) process_result(result) if __name__ == "__main__": main() ```