将DeepSeek-R1模型从云端API迁移到本地Ollama部署，主要需要修改API的调用参数，包括端点地址、模型名称以及请求体的格式。以下是具体的修改点、对比表格和示例代码。

一、 核心参数修改对比

下表清晰地展示了从DeepSeek官方API迁移到本地Ollama所需修改的核心参数差异：

二、 请求体格式修改详解与代码示例

请求体格式的变更是迁移的关键。Ollama的API格式与OpenAI格式不完全兼容，需要进行字段映射和结构调整。

1. DeepSeek 官方API请求示例 (Python)

import requests

# DeepSeek 云端API调用参数 
api_url = "https://api.deepseek.com/chat/completions"
headers = {
    "Authorization": "Bearer your_api_key_here",
    "Content-Type": "application/json"
}
payload = {
    "model": "deepseek-chat",  # 指定云端模型
    "messages": [
        {"role": "system", "content": "你是一个有帮助的助手。"},
        {"role": "user", "content": "你好，请介绍一下你自己。"}
    ],
    "max_tokens": 1024,
    "temperature": 0.7,
    "stream": False  # 是否使用流式输出
}

response = requests.post(api_url, headers=headers, json=payload)
print(response.json())

2. Ollama 本地API请求示例 (Python)

迁移到Ollama后，代码需要做如下调整：

import requests

# Ollama 本地API调用参数 
api_url_local = "http://localhost:11434/api/chat"  # 修改地址和路径
headers_local = {
    "Content-Type": "application/json"
    # 通常省略 Authorization 头，除非在Ollama中配置了API密钥
}
payload_local = {
    "model": "deepseek-r1:latest",  # 修改为本地Ollama拉取的模型名 
    "messages": [
        {"role": "system", "content": "你是一个有帮助的助手。"},
        {"role": "user", "content": "你好，请介绍一下你自己。"}
    ],  # messages 字段格式与OpenAI兼容，这是Ollama的特性
    "options": {  # 模型参数移入 `options` 对象内 
        "num_predict": 1024,  # 对应 max_tokens
        "temperature": 0.7,
    },
    "stream": False
}

response_local = requests.post(api_url_local, headers=headers_local, json=payload_local)
print(response_local.json())

关键修改说明：

• model：值必须与通过 ollama pull deepseek-r1:671b 或类似命令安装的模型名称完全一致 。
• options 对象：在Ollama中，大部分控制生成过程的参数（如 num_predict、temperature、top_p）需要封装在 options 字段内，这与OpenAI API将参数平铺在根级不同 。
• 字段映射：max_tokens 对应改为 num_predict。

3. 使用 ollama Python 库调用

除了直接调用REST API，还可以使用Ollama官方Python库，其接口更简洁：

import ollama

# 使用 ollama 库进行调用，格式更友好 
response = ollama.chat(
    model='deepseek-r1:latest',  # 指定本地模型
    messages=[
        {'role': 'system', 'content': '你是一个有帮助的助手。'},
        {'role': 'user', 'content': '你好，请介绍一下你自己。'}
    ],
    options={
        'num_predict': 1024,
        'temperature': 0.7,
    }
)
print(response['message']['content'])

三、 环境准备与模型拉取

在修改调用参数前，需确保本地Ollama环境已就绪且模型已正确下载：

1. 安装Ollama：从官网下载并安装Ollama，安装后建议将其安装目录（如 D:\Ollama）添加到系统环境变量 PATH 中，以便命令行调用 。
2. 拉取DeepSeek-R1模型：在终端中执行以下命令。模型大小可根据显存选择，例如 deepseek-r1:671b 为完整版，deepseek-r1:8b 为量化小版本 。

   ollama pull deepseek-r1:671b
   

3. 验证模型运行：使用以下命令进行基础对话测试，确保模型加载成功 。

   ollama run deepseek-r1:671b
   

四、 进阶配置与注意事项

• API密钥与安全：Ollama默认本地调用无需鉴权。若需对外提供API服务，可通过设置环境变量 OLLAMA_API_KEY 或启动参数来启用API密钥认证，此时在请求头中需携带 Authorization: Bearer <key> 。
• 性能调优：在 options 字段中，还可以配置 num_ctx（上下文窗口）、num_gpu（使用的GPU层数）等参数来优化本地推理性能 。
• 结合应用框架：本地部署后，可以将其集成到如 AnythingLLM 等知识库应用中，在应用设置中将模型端点修改为 http://localhost:11434 并选择对应的模型即可 。

总而言之，迁移的核心工作是切换API端点、调整模型名称，并将生成参数重构至 options 对象内。完成这些修改后，您的应用即可从依赖云端配额转为利用本地计算资源，彻底摆脱429限流困扰，并获得更好的数据隐私性 。​​​​