2025最新版DeepSeek保姆级安装教程：本地部署+避坑指南
本文旨在提供一个全面且详细的DeepSeek本地部署指南，帮助大家在自己的设备上成功运行DeepSeek模型。无论你是AI领域的初学者还是经验丰富的开发者，都能通过本文的指导，轻松完成DeepSeek的本地部署。一、本地部署的适用场景
DeepSeek本地部署适合以下场景：
[*]高性能硬件配置：如果你的电脑配置较高，特别是拥有独立显卡和足够的存储空间，那么本地部署将能充分利用这些硬件资源。
[*]数据安全需求：对于需要处理敏感数据的用户，本地部署可以避免数据上传至云端，确保数据的安全性和隐私性。
[*]高频任务处理：对于需要频繁处理大量或复杂任务的用户，本地部署能提供更高的灵活性和响应速度。
[*]成本控制：对于日常使用量大、API调用费用较高的用户，本地部署能显著降低运行成本。
[*]个性化需求：本地部署允许用户对模型进行二次开发和定制，满足特定的应用场景和需求。
三、环境准备与依赖安装
1. 硬件要求
[*]操作系统：推荐Linux（如Ubuntu 20.04及以上版本）或Windows系统。
[*]Python版本：需要安装Python 3.8及以上版本。
[*]GPU支持：需要支持CUDA的NVIDIA GPU，推荐显存16GB及以上。
2.硬件配置
模型
显存需求
内存需求
推荐显卡
7B
10-12GB
16GB
RTX 3060
14B
20-24GB
32GB
RTX 3090
32B
40-48GB
64GB
RTX 4090
2. 软件依赖
[*]CUDA与CUDNN：根据NVIDIA GPU型号和驱动版本，安装合适的CUDA（11.2及以上版本）和CUDNN（8.1及以上版本）。
3. 安装步骤
更新系统（Linux为例）
sudo apt-get update
[*]1.
安装必要依赖
sudo apt-get install -y python3-pip python3-dev python3-venv git
[*]1.
创建并激活虚拟环境
python3 -m venv deepseek-envsource deepseek-env/bin/activate
[*]1.
[*]2.
安装PyTorch
根据CUDA版本选择合适的PyTorch安装命令。例如，CUDA 11.2的安装命令如下：
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu112
[*]1.
四、DeepSeek模型下载与部署
1. 克隆DeepSeek代码库
git clone https://github.com/deepseek-ai/deepseek.gitcd deepseek
[*]1.
[*]2.
2. 安装项目依赖
pip install -r requirements.txt
[*]1.
3. 下载并放置预训练模型
从官方提供的链接下载DeepSeek预训练模型权重，并将其放置在models/目录下。
wget [官方链接] -O models/deepseek_model.pth
[*]1.
4. 配置环境变量
设置模型路径和GPU设备号等环境变量
export MODEL_PATH=models/deepseek_model.pthexport CUDA_VISIBLE_DEVICES=0
[*]1.
[*]2.
5. 运行模型
使用以下命令启动DeepSeek模型进行推理或训练。
python run.py --model_path $MODEL_PATH --input "你的输入文本"
[*]1.
五、简化部署方案：使用Ollama
对于初学者或不希望手动配置环境的用户，可以使用Ollama工具简化DeepSeek的本地部署过程。
1.下载安装Ollama
在本地部署DeepSeek会使用到Ollama，所以，需要现在本地下载安装Ollama。
Ollama官方地址：https://ollama.com
小伙伴们可以根据自己的需要下载MacOS、Linux和Windows版本的Ollama，由于冰河目前使用的是Windows系统，所以，这里我下载的是Windows版本的Ollama。
下载后在本地安装Ollama。
2.下载DeepSeek-R1
（1）定位Models
进入Ollama官网，找到Models。
（2）找到DeepSeek-R1模型
（3）选择对应的模型下载
DeepSeek-R1有很多不同的版本可供下载，例如1.5b、7b、8b、14b、32b、70b或671b，版本越高，模型越大，对于电脑的内存、显卡等资源的配置要求就越高。
这里为了方便安装演示，我先给大家演示如何部署8b的模型。后续带着大家在服务上部署更高版本的模型。
进入DeepSeek-R1模型的详情，选择8b模型，如下所示。
（4）打开电脑终端
以管理员身份打开电脑终端，如下所示。
（5）部署8b模型
首先，如下图所示复制8b模型的代码。
随后，将其粘贴到命令行终端，如下所示。
如果出现下图所示的进度，则说明正在下载模型。
等待一段时间，如果出现success字样，则说明部署成功，如下所示。
部署成功后，我们可以试着在命令行发送一条消息给DeepSeek，这里我发送一个“你好”给DeepSeek。
可以看到，向DeepSeek发送你好后，它也回复了一段内容。
至此，我们就可以和DeepSeek在命令行进行对话了。不过，只是在命令行与DeepSeek对话，那就显得有点不怎么方便了，所以，我们继续部署Chatbox。
3.安装Chatbox
通过部署Chatbox，我们可以使用在网页或者客户端与DeepSeek进行交互。Chatbox的安装步骤如下所示。
（1）下载安装Chatbox
Chatbox官网：https://chatboxai.app/zh
直接进入官网下载客户端，如下所示。
下载完成后，双击进行安装即可。
（2）配置DeepSeek-R1模型
打开Chatbox，选择设置—>Ollama API，如下所示。
选择已经安装好的DeepSeek-R1 8b模型，进行保存。
等待部署完成，就可以在Chatbox页面中与DeepSeek进行对话了。
六、安装Open-WebUI
1.安装Docker
安装Open-WebUI前，我们可以先安装Docker。进入Docker官网：https://www.docker.com，下载Docker。
下载后安装到自己电脑即可。
2.安装open-webui
如果是在Linux系统下，则可以打开命令行，输入以下命令安装 Open-WebUI。
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
[*]1.
安装完成后，打开浏览器，访问 http://localhost:3000，注册一个账号并登录，即可进入open-webui。
在界面左上角选择对应的模型，即可开始对话。
如果是Windows系统，则在浏览器搜索Open-WebUI，进入官网，并复制下图所示的命令。
随后打开Windows命令行，输入复制的命令后等待安装完成。
安装完成后，打开浏览器，访问 http://localhost:3000，注册一个账号并登录，即可进入open-webui。
七、常见问题解决方案
问题现象
解决方案
显存不足报错
使用量化模型或换用更小模型
响应速度慢
设置环境变量OLLAMA_NUM_THREADS=8
生成内容中断
输入/continue继续生成
中文输出夹杂英文
在提问末尾添加「请使用纯中文回答」
历史记忆混乱
输入/forget清除上下文
页:
[1]