在win11系统笔记本中使用Ollama部署deepseek制作一个本地AI小助手！原来如此简单！！！

大家新年好啊，明天就是蛇年啦，蛇年快乐！

最近DeepSeek真的太火了，我也跟随B站，使用Ollama在一台Win11系统的笔记本电脑部署了DeepSeek。由于我的云服务器性能很差，虽然笔记本的性能也一般，但是还是可以在笔记本电脑上去尝试一下的。官方也提供了在Ollama上运行DeepSeek V3：本地部署高级AI指南。

https://www.deepseekv3.com/cn/blog/deep-seek-ollama-guide
这里也推荐一个B站视频，我参考了这个模型
https://www.bilibili.com/video/BV1JTSqYqErn/?spm_id_from=333.337.search-card.all.click&vd_source=51d15aaa7e2e1f72f87356e06140ae6b

DeepSeek V3在AI模型架构上实现了重大突破，采用了复杂的混合专家系统（MoE）设计，总参数量达671B，每个token激活37B参数。由于我笔记本的 计算资源和存储空间都有限，我这里安装的 Deepseek-v2 16B 玩一玩、试一试而已。

笔记本电脑配置：3050显卡4G；CPU12500H。

（1）安装Ollama

Ollama是一个开源的大型语言模型（LLM）服务工具，旨在简化在本地机器上运行大语言模型的过程；它支持多种操作系统，提供了一个直观的命令行界面。Ollama的主要特点包括：本地部署：用户可以在自己的设备上运行模型，保护数据隐私；多模型支持：支持多种流行的LLM模型；Ollama还提供了丰富的API和库支持；支持从多种格式导入模型，如PyTorch，同时也提供了模型库。Ollama官方提供了支持文档，包括在不同系统下安装、导入大模型等，网址如下所示：

https://ollama.readthedocs.io/quickstart/

在官网首页可以看到，它支持多种模型。

首先下载安装包，官方提供的下载链接比较慢，如果开了科学上网就会很快。

下载完成后，双击启动安装程序，点击安装即可。安装过程比较简单，也不能设置安装路径等，安装完成后能够找到Ollama图标。

Ollama的默认安装路径为C:\Users\{用户名}\AppData\Local\Programs\Ollama，可以将该文件夹移动至指定位置；若选择将该文件夹移动至他处，需在环境变量中修改Path选项，添加Ollama文件绝对路径。如在安装时，要将Ollama安装到D盘某路径，可以在安装时，在终端或者CMD中先cd到安装包所在的文档，再使用如下代码：.\OllamaSetup.exe /DIR="D:\Programs\Ollama"。

（2）下载DeepSeek模型

下载模型可以通过Ollama官网，也可以通过DeepSeek官网。如果机子给力的话，也可以试一下deepseek-v3。

但是无奈deepseek-v3太大了，我的硬盘空间都不够。

我这里部署的deepseel-v2，并且选择了16B参数版本，没有选236B参数。

如果不需要修改模型默认下载位置，就可以打开终端或者cmd，输入如下代码，会将模型安装到默认的位置。

ollama run deepseek-v2:16b

如果需要修改模型下载位置等，官网也提供了教程。

在代码执行过程中，首先会拉取模型文件，在都加载后，弹出success，便可以进行交互了。

如果同时安装了多个模型，可以使用ollama list进行列表查看。

（3）部署UI界面

我们部署的模型可以直接通过命令行交互，但是这样不方便，也不便于应用于自己的网站等，因为我们可以使用一个UI界面工具，可以使用MaxKB：https://maxkb.cn/ 或者 OpenWebUI：https://openwebui.com/。MaxKB（Max Knowledge Base）是一款基于大语言模型和RAG（检索增强生成）的开源知识库问答系统，OpenWebUI（前身为Ollama WebUI）是一个可扩展的、功能丰富的、用户友好的自托管Web界面，设计用于完全离线运行。MaxKB和OpenWebUI都是基于大语言模型的工具，但它们的功能定位和使用场景有所不同。MaxKB更适合企业级知识管理和智能问答，而OpenWebUI则更适合模型管理和交互。

第一步是安装MaxKB。我这里使用了Docker进行了MaxKB的安装，可以使用Docker desktop可视化操作，也可以在终端中直接执行下面的代码，但是需要将D:\maxkb\maxkb和D:\maxkb\python-package修改成你自己电脑上的某个路径。

在代码中，docker run用于创建并启动一个新的Docker容器。-d表示在后台运行容器（detached mode）。--name=maxkb用于指定容器的名称为maxkb，便于后续管理和引用。--restart=always用于设置容器在退出后自动重启，确保服务始终运行。-p 8080:8080 将容器内部的8080端口映射到宿主机的8080端口，使得可以通过宿主机的8080端口访问MaxKB服务。后面的代码是用于挂载数据库和python包到本地。

docker run -d --name=maxkb --restart=always -p 8080:8080 -v  D:\Programs\maxkb\maxkb:/var/lib/postgresql/data -v  D:\Programs\maxkb\python-package:/opt/maxkb/app/sandbox/python-packages cr2.fit2cloud.com/1panel/maxkb

安装成功后，进入地址：http://localhost:8080/，默认用户名为admin，默认密码为MaxKB@123..。首次登陆时，会提示修改密码。MaxKB官网提供了入门手册：https://maxkb.cn/docs/quick_start/，也可以结合B站视频等进行设置。

第二步是添加模型。 在MaxKB的模型设置页面中，点击“添加模型”按钮，选择供应商为“Ollama”；填写模型名称，确保与ollama list中显示的模型名称一致；API域名填写http://host.docker.internal:11434，因为MaxKB是通过Docker部署的，而Ollama是本机部署的，不在同一网络环境；API Key可以随意填写。

这里因为是使用的已经部署好的模型，所以很快加载。如果是要新下载一个模型，就会很慢。

第三步是创建应用。首先设置应用名称，选择应用类型。

接下来，在AI模型中选择我们添加的本地模型，自定义一下 应用描述、角色设定、提示词等信息，如果模型支持语音输入的话，还可以设置语音输入与语音播放。设置完成后，点击保存并发布。

最后查看概述，可以复制访问链接到浏览器中，直接打开，进行交互；还可以嵌入第三方、设置访问限制等。

这样，我们就创建了一个基于本地大模型的AI工具。如果要把这个AI工具共享到朋友，需要部署在服务器或者具有公网IP的设备上；也可以使用ngrok、frp、花生壳等软件进行内网穿透。

（4）卸载Ollama与移除模型

如果要卸载ollama并移除下载的本地模型，需要首先移除模型，在命令行执行如下代码：

ollama rm deepseek-v2:16b

卸载Ollma通过控制面板或者卸载工具进行卸载即可。