DeepSeek R1 本地安装部署（保姆级教程）

许多外国开发者已经利用DeepSeek打造了各种应用级项目。如果你也有兴趣使用DeepSeek，这将使你能够轻松掌握人工智能这一复杂的概念。如果你将DeepSeek部署在自己的电脑上，你就能创建并训练属于你自己的AI数据库。

今天我们将带你一步步了解，如何在本地环境中部署DeepSeek，支持Mac、Windows和Linux系统。整个过程简单易懂，特别适合入门者。

一、什么是DeepSeek

DeepSeek R1 是一款开源的AI模型，它与 OpenAI 的 o1 和 Claude 3.5 Sonnet 等顶级模型竞争，特别是在数学、编程和推理等任务上表现出色。它是免费的、私密的，并且支持在本地硬件上离线运行。

DeepSeek R1 提供了多个版本，涵盖从轻量级的1.5B参数模型到功能强大的70B参数版本。从技术角度来看，它基于 Qwen 7B 架构，经过精简和优化，确保在保持强大性能的同时，提升了运行效率。

DeepSeek 的最大亮点是，它能够与一些领先的商业AI模型相媲美，但作为开源项目，你可以在本地运行它，完全不依赖云服务器，从而更好地掌控你的数据。

二、为什么要在本地运行？

将AI模型部署在本地有以下几个显著优势：

隐私保护：所有数据都存储在你的设备上，避免了敏感信息泄露的风险。

成本节省：DeepSeek R1 完全免费，无需支付订阅或使用费用。

完全控制：你可以随时对模型进行微调和实验，不依赖任何外部平台。

三、硬件要求

部署DeepSeek对电脑硬件有要求，以下是收集的信息：

（1）MAC

（2）Windows

考虑到每个人的硬件配置各异，如果按照高端配置来编写 DeepSeek 的本地安装教程，很多人可能无法顺利运行，反而浪费了大家的时间，那这样的教程就失去了意义。

因此，我们参考了 Quora、Reddit、Substack、知乎和 CSDN 上的多位专家的安装经验，选择了一个硬件要求最低、甚至可以使用 CPU 运行的 R1 版本进行演示。

四、安装步骤 步骤1、安装Ollama

为了在本地成功运行 DeepSeek R1，我们需要借助 Ollama，它是一个专为在本地计算机上运行AI模型而设计的工具。

Ollama 官网：https://ollama.com/download

下载Ollama后，根据以下步骤安装：

安装完成后，Ollama 提供了一个简单的方法，可以直接通过终端提取并运行模型。

步骤2、拉取 DeepSeek R1 模型

Ollama 支持多个版本的 DeepSeek R1。模型越大，智能程度越高，但所需的 GPU 配置也越强。

以下是可选的版本：

1.5B（最小版本）

14B

32B

70B（最大、最智能）

具体模型：https://ollama.com/search

本教程将安装一个基础级模型，大家可以根据自己的硬件条件选择适合的版本。

由于 Ollama 部署的是量化版本，这使得显存需求大幅降低。通常情况下，8G 显存足够支持 8B 级别模型，而 24G 显存则适配 32B 模型。

如果你只有集成显卡，仍然想试试，可以下载 lm-studio 软件，它内置了模型下载功能，更加适合新手。

运行 1.5B 或者 7B 模型

打开终端：

Mac：使用 Command + Space 打开 Spotlight，输入 “Terminal” 并打开。

Windows：按 Win + R，在运行框中输入 “cmd”；或者按 Win + X，选择“Windows PowerShell”或“命令提示符”来打开终端窗口。

运行以下指令：

ollama run deepseek-r1:1.5b

这个命令会提取 1.5B 模型并将其设置为本地运行。

如果出现错误，可以尝试以下指令：

ollama run deepseek-r1

该命令默认下载 7B 大小的模型。

根据网络速度的不同，下载过程可能会有些慢，如果你的网速较慢，可能需要等待约 20 分钟左右。

一旦下载完成，模型就可以开始运行了。

步骤3、安装聊天框

完成上述步骤后，说明你已经在电脑上成功部署了 DeepSeek，可以通过终端与 DeepSeek R1 进行交互。不过，如果你希望拥有更加流畅和直观的交互体验，可以使用 GUI（图形用户界面）。

一般来说，Chatbox 是与本地模型集成的常见工具，它是一个免费的桌面客户端，注重隐私保护。

你可以从以下链接下载 Chatbox：

官网：https://chatboxai.app/en#

安装完成后，在选择配置API模型那里选择“Ollama API”；

将 API 主机设置为：:11434

选择 DeepSeek R1 作为活动模型

保存

完成后就是这样：

到这里，你的 DeepSeek 部署就完成了。你可以根据自己的需求训练 DeepSeek，将其打造成为一个私有的资料库，随时为你提供支持。

五、演示

你可以测试 DeepSeek 的能力，看看它如何处理任务。例如，尝试让它用 Python 编写一个吃豆人的游戏代码。

Prompt: Make a Pac-Man game in Python.

你将得到类似以下的输出：

import pygame
import random

# Initialize Pygame
pygame.init()

# Game window dimensions
WIDTH = 800
HEIGHT = 600
window = pygame.display.set_mode((WIDTH, HEIGHT))
pygame.display.set_caption(“Pac-Man Game”)

# Colors
BLACK = (0, 0, 0)
WHITE = (255, 255, 255)
RED = (255, 0, 0)

# Pac-Man properties
pacman_size = 20
speed = 3

# Directions: up, down, left, right
directions = [(-1, 0), (1, 0), (0, -1), (0, 1)]

# Game clock
clock = pygame.time.Clock()

# Initialize game loop
running = True

while running:
# Fill the window with black color
window.fill(BLACK)

# Clear previous frames
pygame.display.flip()

# Move Pac-Man
for event in pygame.event.get():
if event.type == pygame.QUIT:
running = False
elif event.type == pygame.KEYDOWN:
key_direction = None

if event.key == pygame.K_UP and pacman_y - pacman_size >= 0: key_direction = (-1, 0) elif event.key == pygame.K_DOWN and pacman_y + pacman_size <= HEIGHT: key_direction = (1, 0) elif event.key == pygame.K_LEFT and pacman_x - pacman_size >= 0: key_direction = (0, -1) elif event.key == pygame.K_RIGHT and pacman_x + pacman_size <= WIDTH: key_direction = (0, 1) if key_direction is not None: direction = key_direction move_count += 1 \# Check for wall collisions new_pacman_pos = (pacman_x + direction[0] * move_count, pacman_y + direction[1] * move_count) if new_pacman_pos in walls: continue pacman_x, pacman_y = new_pacman_pos

# Draw Pac-Man
pygame.draw.circle(window, WHITE, (pacman_x, pacman_y), pacman_size)

# Update the display
pygame.display.flip()

# Limit the frame rate to 60 FPS
clock.tick(60)

# Quit Pygame
pygame.quit()

以上就是今天的全部教程。无论你是 AI 爱好者、开发者，还是只是对本地 AI 感到好奇，都可以尝试一下 DeepSeek R1。通过使用 Ollama 和 Chatbox 等工具，设置过程非常简单，效果也非常出色。希望这篇教程能帮助你更好地掌握和体验 DeepSeek！

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

read-normal-img

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。

那么应该如何学习大模型

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

read-normal-img

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

read-normal-img

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

read-normal-img

👉大模型视频和PDF合集👈
观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

read-normal-img

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能，学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

read-normal-img

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

(责任编辑：)

搜索

热门标签:

DeepSeek R1 本地安装部署（保姆级教程）