# DeepSeek R1 本地部署完整教程（2026最新版）
> 🚀 手把手教你本地部署 DeepSeek R1，无需联网，保护隐私，支持 GPU/CPU 推理！
## 前言
DeepSeek R1 是 DeepSeek 推出的开源推理模型，在数学、代码、逻辑推理等任务上表现出色。本文将详细介绍如何在本地部署 DeepSeek R1，让你拥有自己的私人 AI 助手。
## 一、环境要求
### 硬件配置
| 配置项 | 最低要求 | 推荐配置 |
|--------|----------|----------|
| CPU | 8核 | 16核+ |
| 内存 | 16GB | 32GB+ |
| 显存 | 8GB (7B模型) | 24GB+ (70B模型) |
| 硬盘 | 50GB SSD | 100GB+ SSD |
### 软件环境
- 操作系统：Ubuntu 22.04 / Windows 10+ / macOS
- Python：3.10+
- CUDA：11.8+（NVIDIA 显卡）
- Git：最新版本
## 二、安装 Ollama（推荐方式）
Ollama 是最简单的本地大模型部署工具，一行命令即可运行。
### 2.1 Linux/macOS 安装
```bash
curl -fsSL https://ollama.ai/install.sh | sh
```
### 2.2 Windows 安装
访问 [Ollama 官网](https://ollama.ai) 下载 Windows 安装包，双击安装即可。
### 2.3 验证安装
```bash
ollama --version
# 输出：ollama version 0.x.x
```
## 三、下载并运行 DeepSeek R1
### 3.1 拉取模型
根据你的显存选择合适的模型版本：
```bash
# 7B 版本（适合 8GB 显存）
ollama pull deepseek-r1:7b
# 14B 版本（适合 16GB 显存）
ollama pull deepseek-r1:14b
# 70B 版本（适合 48GB+ 显存）
ollama pull deepseek-r1:70b
```
### 3.2 运行模型
```bash
ollama run deepseek-r1:7b
```
运行后即可在终端与 DeepSeek R1 对话：
```
>>> 你好，请介绍一下你自己
<thinking>
用户要求我介绍自己。我应该说明我是DeepSeek R1，一个AI助手。
</thinking>
你好！我是 DeepSeek R1，一个由 DeepSeek 开发的AI助手。我可以帮助你：
- 回答各种问题
- 编写和调试代码
- 数学计算和逻辑推理
- 文本创作和翻译
有什么我可以帮助你的吗？
```
### 3.3 常用命令
```bash
# 查看已下载的模型
ollama list
# 删除模型
ollama rm deepseek-r1:7b
# 查看模型信息
ollama show deepseek-r1:7b
# 停止运行中的模型
ollama stop deepseek-r1:7b
```
## 四、使用 Python 调用
### 4.1 安装依赖
```bash
pip install ollama
```
### 4.2 基础调用
```python
import ollama
# 简单对话
response = ollama.chat(
model='deepseek-r1:7b',
messages=[
{
'role': 'user',
'content': '用Python写一个快速排序算法'
}
]
)
print(response['message']['content'])
```
### 4.3 流式输出
```python
import ollama
stream = ollama.chat(
model='deepseek-r1:7b',
messages=[
{
'role': 'user',
'content': '解释什么是机器学习'
}
],
stream=True
)
for chunk in stream:
print(chunk['message']['content'], end='', flush=True)
```
### 4.4 多轮对话
```python
import ollama
# 维护对话历史
messages = [
{
'role': 'system',
'content': '你是一个专业的Python开发助手'
}
]
def chat(user_input):
messages.append({'role': 'user', 'content': user_input})
response = ollama.chat(
model='deepseek-r1:7b',
messages=messages
)
assistant_message = response['message']['content']
messages.append({'role': 'assistant', 'content': assistant_message})
return assistant_message
# 使用示例
print(chat("什么是装饰器？"))
print(chat("给我一个装饰器的实战例子"))
```
## 五、搭建 Web UI
### 5.1 安装 Open WebUI
```bash
# 使用 Docker 安装（推荐）
docker run -d -p 3000:8080 \
--add-host=host.docker.internal:host-gateway \
-v open-webui:/app/backend/data \
--name open-webui \
--restart always \
ghcr.io/open-webui/open-webui:main
```
### 5.2 访问界面
打开浏览器访问：`http://localhost:3000`
首次访问需要注册账号，之后即可在界面中选择 DeepSeek R1 模型进行对话。
## 六、性能优化技巧
### 6.1 使用量化模型
Ollama 默认使用 Q4_0 量化，如需更高精度：
```bash
# 使用 Q8_0 量化（精度更高，显存需求更大）
ollama pull deepseek-r1:7b-q8_0
```
### 6.2 调整推理参数
```python
response = ollama.chat(
model='deepseek-r1:7b',
messages=[{'role': 'user', 'content': '你好'}],
options={
'temperature': 0.7, # 温度（0-1），越低越确定
'top_p': 0.9, # 核采样
'num_ctx': 4096, # 上下文长度
'num_gpu': 999, # GPU 层数
'num_thread': 8 # CPU 线程数
}
)
```
### 6.3 显存不足的解决方案
1. **使用更小的模型**：7B → 1.5B
2. **增加量化级别**：Q4_0 → Q2_K
3. **使用 CPU 推理**：设置 `CUDA_VISIBLE_DEVICES=""`
## 七、常见问题
### Q1: 模型下载很慢怎么办？
```bash
# 设置国内镜像（如果有）
export OLLAMA_HOST=0.0.0.0
# 或使用代理
export https_proxy=http://your-proxy:port
```
### Q2: 运行时报错 CUDA out of memory
- 减小 `num_ctx` 上下文长度
- 使用更小的模型版本
- 关闭其他占用显存的程序
### Q3: 如何让局域网其他设备访问？
```bash
# 设置 Ollama 监听所有网络
OLLAMA_HOST=0.0.0.0 ollama serve
```
## 八、总结
| 部署方式 | 难度 | 适用场景 |
|----------|------|----------|
| Ollama | ⭐ | 新手入门、快速体验 |
| vLLM | ⭐⭐⭐ | 生产环境、高并发 |
| llama.cpp | ⭐⭐ | 嵌入式、低资源设备 |
本文推荐使用 Ollama 方式部署，简单快速，5分钟即可拥有自己的 AI 助手！
---
**相关资源**：
- [DeepSeek 官方文档](https://deepseek.com)
- [Ollama GitHub](https://github.com/ollama/ollama)
- [Open WebUI](https://github.com/open-webui/open-webui)
---
> 📝 作者：AI技术爱好者
> 📅 更新时间：2025年
> 🔖 标签：#DeepSeek #本地部署 #AI #大模型 #Ollama
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
5
0- 0
已为社区贡献4条内容
所有评论(0)