【大模型】Ollama本地部署DeepSeek大模型:打造专属AI助手
【大模型】Ollama本地部署DeepSeek大模型:打造专属AI助手
- Ollama本地部署DeepSeek大模型:打造专属AI助手
- 一、Ollama简介
- 二、硬件需求
- 三、部署步骤
- 1. 下载并安装Ollama
- (1)访问Ollama官网
- (2)安装Ollama
- 2. 配置Ollama
- (1)检查安装是否成功
- (2)配置模型存储路径(可选)
- 3. 下载并运行DeepSeek模型
- (1)下载DeepSeek模型
- (2)运行模型
- 4. 使用可视化工具(可选)
- (1)下载并安装AnythingLLM
- (2)配置AnythingLLM
- 5. 验证部署是否成功
- 四、常见问题及解决方法
- 1. 显存不足
- 2. 网络问题
- 3. 配置文件问题
- 五、总结
Ollama本地部署DeepSeek大模型:打造专属AI助手
随着AI技术的飞速发展,大语言模型逐渐走进了我们的生活。DeepSeek作为一款备受关注的国产大模型,以其高性能和低资源消耗的特点脱颖而出。然而,由于访问量激增,DeepSeek的在线服务有时会出现响应缓慢甚至中断的情况。为了更好地利用DeepSeek,我们可以选择将其部署到本地,这样不仅可以提高响应速度,还能保护个人隐私。本文将详细介绍如何使用Ollama在本地部署DeepSeek大模型。
一、Ollama简介
Ollama是一个轻量级的本地AI模型运行框架,支持在Windows、Linux和MacOS上运行各种开源大语言模型。它提供了丰富的模型库,包括DeepSeek、Llama等1700+大语言模型。此外,Ollama还支持用户上传自己的模型,并允许通过编写配置文件来自定义模型的推理参数。
二、硬件需求
在开始部署之前,我们需要了解DeepSeek对硬件的要求。根据模型大小和显存需求,以下是推荐的硬件配置:
| 配置级别 | 内存 | 显卡 |
|---|---|---|
| 基础级 | 16GB | RTX 4060(8GB显存) |
| 中高级 | 32GB | RTX 4090(24GB显存) |
| 高级 | 64GB | RTX 5090 D(32GB显存) |
注意:如果显存不足,可以选择较小的模型版本,例如3B或7B版本,以避免显存溢出。
三、部署步骤
1. 下载并安装Ollama
(1)访问Ollama官网
打开Ollama官网:https://ollama.com/,选择适合你操作系统的安装包进行下载。
(2)安装Ollama
- Windows用户:下载完成后,双击安装包并按照提示完成安装。
- Linux用户:使用以下命令安装:
curl -fsSL https://ollama.com/install.sh | sh - MacOS用户:使用以下命令安装:
brew install ollama/tap/ollama
2. 配置Ollama
(1)检查安装是否成功
打开命令行工具(Windows用户可以按Win+R键,输入cmd并回车),输入以下命令:
ollama --version
如果安装成功,会显示Ollama的版本信息。

(2)配置模型存储路径(可选)
如果需要更改模型存储路径,可以在命令行中运行以下命令:
ollama config set model_path /path/to/your/model
将/path/to/your/model替换为你希望的路径。
3. 下载并运行DeepSeek模型
(1)下载DeepSeek模型
在命令行中输入以下命令来下载DeepSeek模型:
ollama pull deepseek-r1:7b
这里选择的是7B版本的模型,适合大多数家用电脑。
(2)运行模型
下载完成后,运行以下命令启动模型:
ollama run deepseek-r1:7b
此时,DeepSeek模型已经开始运行,你可以在命令行中与其进行交互。
4. 使用可视化工具(可选)
为了更方便地使用DeepSeek,我们可以安装一个可视化工具,如AnythingLLM。
(1)下载并安装AnythingLLM
访问https://anythingllm.com/,下载并安装适合你操作系统的版本。
(2)配置AnythingLLM
打开AnythingLLM,选择“LLM提供商”为Ollama,并设置模型为deepseek-r1:7b。新建工作区后,即可开始使用DeepSeek。

5. 验证部署是否成功
在命令行中输入以下命令,与DeepSeek模型进行交互:
ollama run deepseek-r1:7b
输入你的问题,例如:
你好,DeepSeek!
如果模型能够正常响应,说明部署成功。
四、常见问题及解决方法
1. 显存不足
如果显存不足,可以选择较小的模型版本,例如3B或7B版本。运行以下命令:
ollama pull deepseek-r1:3b
2. 网络问题
如果下载过程中出现网络中断,可以重新运行ollama pull命令,Ollama支持断点续传。
3. 配置文件问题
如果需要自定义模型参数,可以编辑ollama.json配置文件。例如:
{"model": "deepseek-r1:7b","temperature": 0.7,"max_tokens": 512
}
五、总结
通过以上步骤,我们可以在本地成功部署DeepSeek大模型,将其变成自己的私人AI助手。本地部署不仅提高了响应速度,还增强了隐私保护。希望这篇教程能帮助你更好地利用DeepSeek,提升工作和学习效率。
如果你在部署过程中遇到任何问题,欢迎在评论区留言,我会尽力为你解答。
作者简介:我是知识靠谱,一个热爱技术的程序员,专注于AI和大语言模型的研究。如果你喜欢这篇文章,别忘了点赞和关注哦!
相关文章:
【大模型】Ollama本地部署DeepSeek大模型:打造专属AI助手
【大模型】Ollama本地部署DeepSeek大模型:打造专属AI助手 Ollama本地部署DeepSeek大模型:打造专属AI助手一、Ollama简介二、硬件需求三、部署步骤1. 下载并安装Ollama(1)访问Ollama官网(2)安装Ollama 2. 配…...
2025.3.2机器学习笔记:PINN文献阅读
2025.3.2周报 一、文献阅读题目信息摘要Abstract创新点网络架构实验结论不足以及展望 一、文献阅读 题目信息 题目: Physics-Informed Neural Networks of the Saint-Venant Equations for Downscaling a Large-Scale River Model期刊: Water Resource…...
数据集笔记:新加坡 地铁(MRT)和轻轨(LRT)票价
数据连接 data.gov.sg 2024 年 12 月 28 日起生效的新加坡地铁票价 该数据集包含 MRT 和 LRT 票价的信息,包括: 票价类型(Fare Type):成人票、学生票、老年人票、残障人士票等。适用时间(Applicable Tim…...
如何修改安全帽/反光衣检测AI边缘计算智能分析网关V4的IP地址?
TSINGSEE青犀推出的智能分析网关V4,是一款集成了BM1684芯片的高性能AI边缘计算智能硬件。其内置的高性能8核ARM A53处理器,主频可高达2.3GHz,INT8峰值算力更是达到了惊人的17.6Tops。此外,该硬件还预装了近40种AI算法模型…...
Java 大视界 -- 基于 Java 的大数据分布式缓存一致性维护策略解析(109)
💖亲爱的朋友们,热烈欢迎来到 青云交的博客!能与诸位在此相逢,我倍感荣幸。在这飞速更迭的时代,我们都渴望一方心灵净土,而 我的博客 正是这样温暖的所在。这里为你呈上趣味与实用兼具的知识,也…...
SyntaxError: positional argument follows keyword argument
命令行里面日常练手爬虫不注意遇到的问题,报错说参数位置不正确 修改代码后,运行如下图: 结果: 希望各位也能顺利解决问题,祝你好运!...
Ruby基础
一、字符串 定义 283.to_s //转为string "something#{a}" //定义字符串,并且插入a变量的值 something//单引号定义变量 %q(aaaaaaaaa) // 定义字符串,()内可以是任何数,自动转义双引号%Q("aaaaa"…...
JMeter 断言最佳实践
JMeter 断言最佳实践 一、引言 在使用 JMeter 进行性能测试或功能测试时,断言是非常重要的一部分。断言可以帮助我们验证接口返回的结果是否符合预期,确保测试的准确性和可靠性。本文将介绍 JMeter 中常见的断言类型、使用这些断言的最佳实践ÿ…...
【Android】类加载器热修复-随记(二)
1. 背景 在【Android】类加载器&热修复-随记一文中了解了类加载,要完成完整的热修复过程,我们需要构建出差量jar包。而这构建差量包分为两个步骤: 原包,注解解析和插桩;变更后,差量包构建;在这两步过程中会涉及到较多的字节码操作,这里我们需要了解下。我们都听过…...
从零开始用react + tailwindcss + express + mongodb实现一个聊天程序(八) 聊天框用户列表
简单画了个聊天框 就是咱们的HomePage.jsx 1.后端接口开发 在server/src/index.js 新增 messagesRoutes 先引入 import messageRoutes from ./routes/message.route.js // 消息接口 app.use(/api/messages, messageRoutes) 在routes文件夹下新建message.route.js 有3个路…...
Linux网络 TCP全连接队列与tcpdump抓包
TCP全连接队列 在 Linux 网络中,TCP 全连接队列(也称为 Accept 队列)是一个重要的概念,用于管理已经完成三次握手,即已经处于 established 状态但尚未被应用程序通过 accept( ) 函数处理的 TCP 连接,避免因…...
水滴tabbar canvas实现思路
废话不多说之间看效果图,只要解决了这个效果水滴tabbar就能做出来了 源码地址 一、核心实现步骤分解 布局结构搭建 使用 作为绘制容器 设置 width=600, height=200 基础尺寸 通过 JS 动态计算实际尺寸(适配高清屏) function initCanvas() {// 获取设备像素比(解决 Re…...
鸿蒙通过用户首选项实现数据持久化
鸿蒙通过用户首选项实现数据持久化 1.1 场景介绍 用户首选项为应用提供Key-Value键值型的数据处理能力,支持应用持久化轻量级数据,并对其修改和查询。当用户希望有一个全局唯一存储的地方,可以采用用户首选项来进行存储。Preferences会将该…...
在Ubuntu中,某个文件的右下角有一把锁的标志是什么意思?
在Ubuntu中,某个文件的右下角有一把锁的标志是什么意思? 在 Ubuntu(或其他基于 GNOME 文件管理器的 Linux 发行版)中,文件或文件夹的右下角出现一把“锁”标志,通常表示 你当前的用户没有该文件/文件夹的写…...
7.1.1 计算机网络的组成
文章目录 物理组成功能组成工作方式完整导图 物理组成 计算机网络是将分布在不同地域的计算机组织成系统,便于相互之间资源共享、传递信息。 计算机网络的物理组成包括硬件和软件。硬件中包含主机、前端处理器、连接设备、通信线路。软件中包含协议和应用软件。 功…...
使用 Docker 部署 RabbitMQ 的详细指南
使用 Docker 部署 RabbitMQ 的详细指南 在现代应用程序开发中,消息队列系统是不可或缺的一部分。RabbitMQ 是一个流行的开源消息代理软件,它实现了高级消息队列协议(AMQP)。本文将详细介绍如何使用 Docker 部署 RabbitMQ…...
岛屿的数量(BFS)
给你一个由 1(陆地)和 0(水)组成的的二维网格,请你计算网格中)。 岛屿总是被水包围,并且每座岛屿只能由水平方向和/或竖直方向上相邻的陆地连接形成。 此外,你可以假设该网格的四条边均被水包…...
线上JVM OOM问题,如何排查和解决?
今天咱们来聊聊让无数 Java 开发者头疼的 JVM OOM(Out Of Memory,内存溢出)问题。在面试中,OOM 问题也是面试官的“心头好”,因为它能直接考察你对 JVM 的理解,以及你在实际问题面前的排查和解决能力。 一…...
Linux的缓存I/O和无缓存IO
一、I/O缓存的背景 I/O缓存是指在内存里开辟一块区域,存放用来接收用户输入和用于计算机输出的数据,以减小系统开销和提高外设效率。linux对IO文件的操作分为不带缓存的IO操作和带缓存的IO操作(标准IO操作)。为什么存在C标准I/O库…...
【弹性计算】弹性裸金属服务器和神龙虚拟化(三):弹性裸金属技术
弹性裸金属服务器和神龙虚拟化(三):弹性裸金属技术 1.弹性裸金属技术背景1.1 传统 KVM 虚拟化系统导致 CPU 计算特性损失1.2 传统 KVM 虚拟化系统导致资源争抢不可避免1.3 传统 KVM 虚拟化系统导致 I/O 性能瓶颈 2.弹性裸金属技术实现2.1 VPC…...
Spring Boot 实现流式响应(兼容 2.7.x)
在实际开发中,我们可能会遇到一些流式数据处理的场景,比如接收来自上游接口的 Server-Sent Events(SSE) 或 流式 JSON 内容,并将其原样中转给前端页面或客户端。这种情况下,传统的 RestTemplate 缓存机制会…...
理解 MCP 工作流:使用 Ollama 和 LangChain 构建本地 MCP 客户端
🌟 什么是 MCP? 模型控制协议 (MCP) 是一种创新的协议,旨在无缝连接 AI 模型与应用程序。 MCP 是一个开源协议,它标准化了我们的 LLM 应用程序连接所需工具和数据源并与之协作的方式。 可以把它想象成你的 AI 模型 和想要使用它…...
Java-41 深入浅出 Spring - 声明式事务的支持 事务配置 XML模式 XML+注解模式
点一下关注吧!!!非常感谢!!持续更新!!! 🚀 AI篇持续更新中!(长期更新) 目前2025年06月05日更新到: AI炼丹日志-28 - Aud…...
使用 SymPy 进行向量和矩阵的高级操作
在科学计算和工程领域,向量和矩阵操作是解决问题的核心技能之一。Python 的 SymPy 库提供了强大的符号计算功能,能够高效地处理向量和矩阵的各种操作。本文将深入探讨如何使用 SymPy 进行向量和矩阵的创建、合并以及维度拓展等操作,并通过具体…...
让回归模型不再被异常值“带跑偏“,MSE和Cauchy损失函数在噪声数据环境下的实战对比
在机器学习的回归分析中,损失函数的选择对模型性能具有决定性影响。均方误差(MSE)作为经典的损失函数,在处理干净数据时表现优异,但在面对包含异常值的噪声数据时,其对大误差的二次惩罚机制往往导致模型参数…...
省略号和可变参数模板
本文主要介绍如何展开可变参数的参数包 1.C语言的va_list展开可变参数 #include <iostream> #include <cstdarg>void printNumbers(int count, ...) {// 声明va_list类型的变量va_list args;// 使用va_start将可变参数写入变量argsva_start(args, count);for (in…...
Caliper 配置文件解析:fisco-bcos.json
config.yaml 文件 config.yaml 是 Caliper 的主配置文件,通常包含以下内容: test:name: fisco-bcos-test # 测试名称description: Performance test of FISCO-BCOS # 测试描述workers:type: local # 工作进程类型number: 5 # 工作进程数量monitor:type: - docker- pro…...
【LeetCode】算法详解#6 ---除自身以外数组的乘积
1.题目介绍 给定一个整数数组 nums,返回 数组 answer ,其中 answer[i] 等于 nums 中除 nums[i] 之外其余各元素的乘积 。 题目数据 保证 数组 nums之中任意元素的全部前缀元素和后缀的乘积都在 32 位 整数范围内。 请 不要使用除法,且在 O…...
热门Chrome扩展程序存在明文传输风险,用户隐私安全受威胁
赛门铁克威胁猎手团队最新报告披露,数款拥有数百万活跃用户的Chrome扩展程序正在通过未加密的HTTP连接静默泄露用户敏感数据,严重威胁用户隐私安全。 知名扩展程序存在明文传输风险 尽管宣称提供安全浏览、数据分析或便捷界面等功能,但SEMR…...
字符串哈希+KMP
P10468 兔子与兔子 #include<bits/stdc.h> using namespace std; typedef unsigned long long ull; const int N 1000010; ull a[N], pw[N]; int n; ull gethash(int l, int r){return a[r] - a[l - 1] * pw[r - l 1]; } signed main(){ios::sync_with_stdio(false), …...
