基于 LangServe 的 Deepseek 本地大模型服务化实践
在人工智能技术飞速发展的今天，大模型（LLM）已成为推动 AI 应用落地的核心驱动力。上次分享「普通人上手 Deepseek 的实用攻略」，我们已经将 Deepseek 大模型的能力高效地部署到本地环境，并对外提供稳定的服务。本文将分享我们基于 LangServe 框架，将 DeepSeek 本地大模型 服务化的实践经验，带你一步步了解如何快速搭建、部署和管理本地大模型服务，让 AI 能力真正触手可及。
图片
1、 认识 LangServe
LangServe 是一个专为语言模型设计的服务化框架，旨在帮助开发者将大模型能力快速封装为 API 服务。它的核心优势在于：
[*]简单易用：通过少量代码即可完成模型服务的部署；
[*]高性能：支持并发请求和高效推理，满足生产环境需求；
[*]灵活扩展：可与其他工具（如 LangChain）无缝集成，构建复杂 AI 应用。
对于需要在本地环境中部署大模型的团队来说，LangServe 是一个不可多得的利器。
2、安装实践
从零到一的 DeepSeek 服务化，也是本文介绍的重点内容。
2.1 环境准备
[*]安装 LangServe：
pip install "langserve"
[*]1.
或者使用 pip install "langserve" 安装客户端代码，使用pip install "langserve" 安装服务器端代码。
[*]下载 DeepSeek 模型权重，并配置本地推理环境，之前「普通人上手 Deepseek 的实用攻略」已完成此步骤。
2.2 模型封装
使用 LangServe 将 DeepSeek 模型封装为 API 服务：
我们创建一个问答链，它提供简单地计算功能，按步骤组织代码
[*]引入关联类库
from fastapi import FastAPIfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParserfrom langchain_ollama.llms import OllamaLLMfrom langserve import add_routes
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]创建提示词模板
system_template = "来，一起计算这个难题吧！"prompt_template = ChatPromptTemplate.from_messages([ ('system', system_template), ('user', '{text}')])
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]创建本地大模型
model = OllamaLLM(model="deepseek-r1:1.5b")
[*]1.
[*]创建解析器
parser = StrOutputParser()
[*]1.
[*]创建链
chain = prompt_template | model | parser
[*]1.
[*]App 定义
app = FastAPI(title="LangChain Server", versinotallow="1.0", descriptinotallow="使用 LangChain 的 Runnable 接口的简单 API 服务器。",)
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]添加链的路由
add_routes( app, chain, path="/calc",)
[*]1.
[*]2.
[*]3.
[*]4.
[*]启动命令
if __name__ == "__main__": import uvicorn uvicorn.run(app, host="localhost", port=8010)
[*]1.
[*]2.
[*]3.
至此，一个简单的问答链已经创建好了。
运行它需要一个参数：`text`。
2.3 启动程序
启动此程序，出现类似下面的输出则说明启动成功。
图片
根据上图的信息，在浏览器输入`http://localhost:8010/calc/playground/`
图片
2.4 问答交互
接下来，我们尝试输入个简单问题来进行交互吧~
图片
页:
[1]