一、火到各行各业
最近有一个传统制造行业的好友突然问我，“deepseek的本地部署是个啥”，经过一番交流后，他想将其与公司的业务相结合，然后让我出一个教程。
本文是一篇保姆级的本地化部署教程，欢迎交流
二、环境说明
本人的电脑是 macOS，理论上还是够的，废话不多说，直接开干！其他系统可能部署步骤稍微有差异。
本文使用 ollama 进行安装部署 DeepSeek，（由于 Docker 环境存在网络限制，很遗憾未能采用这种方式）
三、安装Ollama
下载安装 ollama， 官网地址： ollama.com/
如官网介绍，Ollama 可以在本地运行多种大语言模型（注意：系统版本有要求）
打开终端，输入以下命令检查Ollama版本。如果返回版本信息，则说明安装成功
ollama --version
或者访问 http://localhost:11434
四、下载并部署DeepSeek模型
Ollama支持多种DeepSeek模型版本，用户可以根据硬件配置选择合适的模型。（可以先从入门开始）
选择模型版本：根据你的 Mac 配置，选择合适的模型版本
-
-
- 入门级：1.5B版本，适合初步测试。
- 中端：7B或8B版本，适合大多数消费级硬件。
- 高性能：14B、32B或70B版本，适合高端硬件。
-
- 8GB RAM：1.5B版本。
- 16GB RAM：7B或8B版本。
- 32GB RAM：14B或32B版本
打开终端，输入以下命令下载并运行DeepSeek模型（以7B版本为例）
如果需要下载其他版本，可以将7b替换为对应的参数，如1.5b、8b、14b、32b等
这样就完成了 deepSeek的本地部署。
ollama run deepseek-r1:7b
如果已经下载过，则不用再下载，可直接运行。
- 在终端中输入问题后，模型会显示
<think>标签以及回答内容。 - 输入
/bye退出模型。
通过上面几个步骤，就完成了 DeepSeek 的本地化部署。然而，仅使用终端交互较为局限，可以使用界面进行交互。
五、Chatbox AI
使用 Chatbox AI 进行交互，会更加流畅
接下来进行配置
安装并配置，选择本地模型
通过简单的步骤，本地 DeepSeek 就可以拥有一个更友好的使用界面
六、使用API访问本地DeepSeek模型
除了使用界面，还可以使用 API 来访问本地模型。 写一个 python脚步
import requests
url = "http://localhost:11434/api/generate"
data = {
"model": "deepseek-r1:7b",
"prompt": "请问你是谁"
}
response = requests.post(url, json=data)
# 打印响应内容
print("响应内容：")
print(response.text)
使用 API 访问成功后，可以将 DeepSeek 集成到更多场景中
七、IDEA 集成本地 DeepSeek 模型
安装 Continue 插件，然后使用本地模型
可以使用任何大模型，支持 VS Code 和 JetBrains IDES。
然后使用本地 DeepSeek 进行编码
完成本地模型的配置后，基本就大功告成
八、总结
由于电脑性能不够强大，本地部署的反应速度还不够极致和丝滑。同时，由于内存限制，目前只使用了 7B 参数版本（该版本为“蒸馏版”）。更多关于本地部署的应用，可以再多多挖掘。
本文到此结束，感谢阅读。
