今天给大家分享deepseek的本地部署教程

一、部署Ollama（多平台选择安装）

Ollama 支持 Linux/macOS/Windows，需根据系统选择安装方式。

1. Linux 系统部署

适用系统：Ubuntu/Debian/CentOS 等

步骤：

1. 一键安装：

   curl -fsSL https://ollama.com/install.sh | sh
   

2. 权限配置（避免 sudo 运行）：

   sudo usermod -aG ollama $USER  # 将当前用户加入ollama组newgrp ollama                  # 刷新用户组
   

3. 启动服务：

   systemctl start ollama         # 启动服务systemctl enable ollama        # 开机自启
   

4. 验证安装：

   ollama --version               # 输出版本号即成功
   

2. macOS 系统部署

步骤：

1. 一键安装：

   curl -fsSL https://ollama.com/install.sh | sh
   

2. 启动服务：

   ollama serve                   # 前台运行（调试用）
   

3. • 或通过 Launchd 后台服务：

     brew services start ollama  # 通过Homebrew管理
     

3. Windows 系统部署

前置要求：

• Windows 10/11 64位
• 已安装 WSL2（推荐Ubuntu发行版）

步骤：

1. 下载安装包：Ollama Windows Installer

2. 下载后进行双击安装

3. 验证安装：

   ollama list                    # 查看已安装模型
   

💬

如何配置远程 Ollama 服务？

默认情况下，Ollama 服务仅在本地运行，不对外提供服务。要使 Ollama 服务能够对外提供服务，你需要设置以下两个环境变量：

如果 Ollama 作为 systemd 服务运行，应使用 systemctl 设置环境变量：

• 调用 systemctl edit ollama.service 编辑 systemd 服务配置。这将打开一个编辑器。
• 在 [Service] 部分下为每个环境变量添加一行 Environment：

[Service]Environment="OLLAMA_HOST=0.0.0.0"Environment="OLLAMA_ORIGINS=*"

• 重新加载 systemd 并重启 Ollama：

systemctl daemon-reloadsystemctl restart ollama

二、拉取并运行DeepSeek模型

官方模型库参考：Ollama DeepSeek-R1 页面

1. 拉取模型

ollama pull deepseek-r1          # 官方推荐模型名称

• 模型规格选项（按需选择）：

  ollama pull deepseek-r1:7b     # 7B参数基础版ollama pull deepseek-r1:33b    # 33B参数进阶版（需更高显存）
  
  

2. 运行模型

ollama run deepseek-r1

验证交互：

>>> 你好，请用中文回答你好！我是DeepSeek-R1，很高兴为您提供帮助！

三、不同硬件场景配置说明

根据硬件资源选择运行模式：

场景1：纯CPU运行

适用情况：无独立显卡或显存不足

配置优化：

1. 限制线程数（避免资源耗尽）：

   OLLAMA_NUM_THREADS=4 ollama run deepseek-r1  # 限制4线程
   
   

2. 使用量化模型（减少内存占用）：

   ollama pull deepseek-r1:7b-q4_0             # 4-bit量化版
   
   

3. 内存要求：

4. • 7B模型：至少8GB空闲内存
   • 33B模型：至少32GB空闲内存

场景2：CPU+GPU混合运行

适用情况：有NVIDIA显卡（需CUDA支持）

配置步骤：

1. 安装驱动：

2. • 安装 NVIDIA驱动 和 CUDA Toolkit 12.x

3. 启用GPU加速：

   ollama run deepseek-r1 --gpu              # 强制使用GPU
   
   

4. 显存要求：

5. • 7B模型：至少6GB显存
   • 33B模型：至少20GB显存

6. 性能监控：

   nvidia-smi               # 查看GPU利用率
   
   

四、AI问答应用接入本地大模型

方式1：部署MaxKB并接入Ollama

1. 通过Docker部署MaxKB

docker run -d \  --name=maxkb \  -p 8080:8080 \  -v ~/maxkb_data:/var/lib/postgresql/data \  1panel/maxkb:latest

• 访问 http://localhost:8080，默认账号密码 admin/MaxKB@123…

2. 配置Ollama模型接入

1. 进入MaxKB控制台：模型管理 > 添加模型

2. 填写参数：

3. • 模型类型：Ollama
   • 模型名称：DeepSeek-r1
   • Base URL：http://ollama主机ip:11434（Docker内访问宿主机）
   • 模型名称：deepseek-r1（与Ollama拉取的模型名一致）

3. 创建应用并测试问答功能

方式2：本地安装chatBox AI并接入本地大模型

1、下载安装包

1. 访问 GitHub Releases 页面：ChatBox Releases!ChatBox Releases页面
2. 选择 Windows 版本：

2、安装 ChatBox

1. 运行安装程序：

2. • 双击下载的 .exe 文件，按提示完成安装。

3、基础配置

3.1. 连接 本地模型

1. 确保 Ollama 服务已运行。

2. 在 ChatBox 设置中选择 ollama api，填写：

3. • API Endpoint: http://localhost:11434
   • API Key: 留空
   • Model Name: deepseek-r1（与 Ollama 模型名称一致）

3.2 可以自定义界面

3.3 验证使用

五、常用的故障排查方法

1. Ollama服务无法启动

• 日志查看：

  journalctl -u ollama -f   # Linux
  
  

• 端口冲突：修改Ollama端口：

  OLLAMA_HOST=0.0.0.0:11435 ollama serve  # 指定新端口
  
  

2. 模型加载失败

• 重新初始化：

  ollama rm deepseek-r1 && ollama pull deepseek-r1
  
  

3. MaxKB连接超时

• 检查网络：

  curl http://ollama-ip:11434  # 确认Ollama API可达
  
  

• 跨域问题：在Ollama启动时添加：

  OLLAMA_ORIGINS="*" ollama serve
  
  

六、性能优化建议

场景	推荐配置
CPU模式	使用
GPU模式	启用

七、AI服务器性能监控

我使用zabbix+grafana对服务器做了资源使用情况的监控，因为我的服务器没有GPU，全部使用CPU去跑，当我运行大模型的时候，可以看到服务器资源站哟比较高（目前我测试用的的Deepseek-r1:7b）

DeepSeek无疑是2025开年AI圈的一匹黑马，在一众AI大模型中，DeepSeek以低价高性能的优势脱颖而出。DeepSeek的上线实现了AI界的又一大突破，各大科技巨头都火速出手，争先抢占DeepSeek大模型的流量风口。

DeepSeek的爆火，远不止于此。它是一场属于每个人的科技革命，一次打破界限的机会，一次让普通人也能逆袭契机。

DeepSeek的优点

掌握DeepSeek对于转行大模型领域的人来说是一个很大的优势，目前懂得大模型技术方面的人才很稀缺，而DeepSeek就是一个突破口。现在越来越多的人才都想往大模型方向转行，对于想要转行创业，提升自我的人来说是一个不可多得的机会。

那么应该如何学习大模型

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。

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！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

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。

👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈
观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】