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。

2024最新版CSDN大礼包：《AGI大模型学习资源包》免费分享**

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版CSDN大礼包：《AGI大模型学习资源包》免费分享