DeepSeek 本地部署教程 - 免费使用国产最强 AI

DeepSeek 是国产开源大模型的佼佼者，性能媲美 GPT-4，而且完全免费！本教程教你如何在本地部署 DeepSeek，保护隐私的同时享受顶级 AI 能力。

---

🔥 DeepSeek 简介

DeepSeek（深度求索）是一款由国产团队开发的大语言模型，具有以下优势：

特性 | 说明 ------|------开源免费 | MIT 协议，商用无限制 性能强悍 | 多项测试超越 GPT-3.5，接近 GPT-4 中文友好 | 原生中文训练，理解能力更强 本地部署 | 数据不出本地，隐私安全 多尺寸可选 | 1.5B / 7B / 67B 等多种规格 ---

📦 方式一：使用 Ollama 快速部署（推荐）

Ollama 是最简单的本地大模型运行工具，一条命令即可运行 DeepSeek。

安装 Ollama

macOS / Linux：

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

Windows： 下载安装包：https://ollama.com/download

运行 DeepSeek

下载并运行 DeepSeek 7B 版本
ollama run deepseek-r1:7b
或者选择更小的版本
ollama run deepseek-r1:1.5b
或者选择更大的版本（需要更多显存）
ollama run deepseek-r1:14b
ollama run deepseek-r1:32b
ollama run deepseek-r1:70b

测试对话

>>> 你好，请介绍一下你自己
你好！我是 DeepSeek，一个由深度求索公司开发的 AI 助手...

---

🖥️ 方式二：使用 LM Studio 图形界面部署

如果你不习惯命令行，LM Studio 提供了漂亮的图形界面。

下载安装

访问官网下载：https://lmstudio.ai/

使用步骤

1. 打开 LM Studio 2. 搜索 deepseek 3. 选择合适的模型版本下载 4. 点击 "Chat" 开始对话

推荐配置：

• 8GB 内存：选择 7B 模型
• 16GB 内存：选择 14B 模型
• 32GB 内存：选择 32B 模型
• 64GB+ 内存：选择 70B 模型

---

💻 方式三：使用 Python 直接加载模型

适合有开发经验的用户，可以自定义更多参数。

安装依赖

pip install torch transformers accelerate

加载模型代码

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
加载模型
model_path = "deepseek-ai/deepseek-llm-7b-chat"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.float16,
    device_map="auto"
)
对话
messages = [
    {"role": "user", "content": "你好，请介绍一下 DeepSeek"}
]
inputs = tokenizer.apply_chat_template(
    messages, 
    return_tensors="pt"
).to(model.device)
outputs = model.generate(
    inputs, 
    max_new_tokens=512,
    temperature=0.7,
    top_p=0.9
)
response = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(response)

---

🌐 搭建 Web 界面（Open WebUI）

让本地 DeepSeek 拥有像 ChatGPT 一样的 Web 界面。

使用 Docker 部署

拉取 Open WebUI 镜像
docker pull ghcr.io/open-webui/open-webui:main
运行容器
docker run -d -p 3000:8080 \
  --add-host=host.docker.internal:host-gateway \
  -v open-webui:/app/backend/data \
  --name open-webui \
  ghcr.io/open-webui/open-webui:main

访问界面

打开浏览器访问：http://localhost:3000

首次使用需要注册账号（数据存储在本地），然后选择 DeepSeek 模型即可开始对话。

---

⚡ 性能优化建议

显存优化

如果显存不够，可以使用量化版本：

使用 4-bit 量化版本
ollama run deepseek-r1:7b-q4_0
使用 8-bit 量化版本
ollama run deepseek-r1:7b-q8_0

CPU 推理

没有显卡也可以用 CPU 运行，但速度较慢：

强制使用 CPU
OLLAMA_ORIGINS=* ollama run deepseek-r1:1.5b

---

🔗 API 接口调用

Ollama 提供 REST API，可以在你的程序中调用：

获取模型列表

curl http://localhost:11434/api/tags

对话接口

curl http://localhost:11434/api/generate -d '{
  "model": "deepseek-r1:7b",
  "prompt": "你好，请介绍一下你自己"
}'

Python 调用示例

import requests
response = requests.post(
    "http://localhost:11434/api/generate",
    json={
        "model": "deepseek-r1:7b",
        "prompt": "写一首关于春天的诗",
        "stream": False
    }
)
print(response.json()["response"])

---

📊 模型对比

模型 显存需求 智能程度 -------------------------- deepseek-r1:1.5b 2GB ⭐⭐ deepseek-r1:7b 6GB ⭐⭐⭐ deepseek-r1:14b 12GB ⭐⭐⭐⭐ deepseek-r1:32b 24GB ⭐⭐⭐⭐⭐ deepseek-r1:70b 48GB ⭐⭐⭐⭐⭐

参数量	速度
--------	------
1.5B	⭐⭐⭐⭐⭐
7B	⭐⭐⭐⭐
14B	⭐⭐⭐
32B	⭐⭐
70B	⭐

---

❓ 常见问题

1. 模型下载太慢怎么办？

使用国内镜像：

export OLLAMA_MIRROR=https://ollama.ai-yyds.com
ollama pull deepseek-r1:7b

2. 显存不够怎么办？

使用量化版本或选择更小的模型。

3. 如何查看已下载的模型？

ollama list

4. 如何删除模型？

ollama rm deepseek-r1:7b

---

🎯 总结

DeepSeek 是目前最值得尝试的国产开源大模型，通过本教程你可以：

✅ 在本地免费使用顶级 AI ✅ 保护隐私，数据不出本地 ✅ 自定义部署，灵活配置 ✅ 搭建私有 ChatGPT 界面

---

部署过程中有问题欢迎留言交流！

>

下一篇预告：DeepSeek 进阶玩法 - 微调你的专属模型

---

作者：廖万里 发布时间：2026年3月16日

本文链接：https://www.kkkliao.cn/?id=616 转载需授权！