How to Run DeepSeek Locally: A Step-by-Step Guide（2026-07-07）

想象一下：你正在开发一个私密的AI助手，完全掌控自己的数据，不需要担心服务器宕机或隐私泄露。这不是科幻——DeepSeek的开源模型让这一切成为现实。今天，我将带你用X分钟完成本地部署，让你的电脑变成AI工作站。

为什么要在本地运行DeepSeek？

本地部署不只是极客的玩具。根据2025年AI社区的一项统计，超过60%的中小企业选择本地部署开源模型来降低云服务成本（平均每月节省$200-$800）。更重要的是：

• 数据主权：敏感信息从不离开你的设备
• 低延迟：离线也能秒级响应
• 定制自由：你可以微调模型参数，打造专属助手

开始之前：检查你的硬件

最低配置（运行1.5B模型）

• CPU：4核以上（如Intel i5或AMD Ryzen 5）
• 内存：8GB RAM
• 存储：10GB可用空间
• GPU（可选）：建议NVIDIA显卡，4GB显存可流畅运行7B模型

推荐配置（运行32B模型）

• CPU：8核以上
• 内存：32GB RAM（建议64GB）
• GPU：16GB显存（如RTX 4080或A4000）

案例：一位独立开发者用搭载M2芯片的MacBook Air（16GB RAM）成功运行7B模型，处理日常代码生成任务时延迟仅3秒。

第一步：安装核心工具

1. 下载Ollama（最简方式）

Ollama是一个开源的模型运行框架，支持Windows、macOS和Linux。

• Windows用户：访问ollama.com下载安装程序，双击运行。
• macOS用户：打开终端，输入brew install ollama（需先安装Homebrew）。
• Linux用户：执行curl -fsSL https://ollama.com/install.sh | sh

2. 验证安装

打开终端（或命令提示符），输入：

ollama --version

如果看到版本号（如v0.5.1），说明安装成功。

第二步：拉取并运行DeepSeek模型

1. 选择模型版本

DeepSeek提供多种规模：

• deepseek-r1:1.5b（轻量版，适合低配设备）
• deepseek-r1:7b（平衡版，日常使用首选）
• deepseek-r1:32b（高性能版，需强大硬件）

2. 拉取模型

例如，拉取7B模型：

ollama pull deepseek-r1:7b

下载进度条会显示，7B模型约4.5GB，需等待5-10分钟（依网速而定）。

3. 启动交互模式

ollama run deepseek-r1:7b

成功后会显示提示符>>>，此时你可以直接提问。试试：“用Python写一个斐波那契数列函数。”

第三步：高级配置与优化

调低参数提高速度

如果响应太慢，可以限制上下文长度（默认4096个token）：

ollama run deepseek-r1:7b --num-ctx 2048

实用建议：对于简单问答，2048个token足够；处理长文档时再调高到8192。

集成到其他应用（API模式）

DeepSeek支持OpenAI兼容API。启动服务：

ollama serve

然后通过HTTP请求调用：

import requests
response = requests.post('http://localhost:11434/api/generate', 
                        json={"model": "deepseek-r1:7b", "prompt": "你好"})
print(response.json()['response'])

常见问题与解决方案

• 错误：“no available model” → 未正确拉取模型，重新执行ollama pull
• 内存不足报错 → 切换到更小模型（如1.5B），或关闭其他应用释放RAM
• GPU无法识别 → 确保NVIDIA驱动已更新到最新版（Linux需安装nvidia-container-toolkit）

下一步行动：立即动手部署

现在你已经掌握了在本地运行DeepSeek的全部知识。与其继续观看教程，不如：

1. 打开终端输入ollama run deepseek-r1:1.5b——从最轻量模型开始
2. 问它第一个问题：“如何用JavaScript实现一个简单的待办事项列表？”
3. 如果成功，继续拉取7B模型体验更强大的能力

记住：本地AI的自由度远超云端。你可以随时暂停、修改甚至训练自定义模型。未来已来，而它正运行在你的电脑上。

免责声明：本文提供的安装步骤基于2026年7月的软件版本。硬件需求为建议值，实际性能可能因系统配置而异。运行AI模型可能消耗大量计算资源，建议在备用设备上尝试。作者及平台不对因部署造成的硬件损坏或数据丢失承担责任。