简介：这份PDF是面向DeepSeek初学者的使用指南，重点讲解V3与R1两款模型的适用场景，并系统梳理官方网页版/手机App、Ollama本地部署、API+客户端三种主流使用方式，可帮助普通用户、隐私敏感者及具备计算机基础的技术爱好者根据自身条件快速上手。资源共1个PDF文件，压缩包仅311KB，内容紧凑、便于离线查阅。目前已有365人学习下载。资料从模型概览入手，明确V3适合日常任务、R1擅长逻辑推理与代码，并给出R1最小1.5B本地部署的安装建议；官方部分涵盖网页端与手机App的注册登录及V3/R1切换方法，API部分则结合ChatBox等客户端讲解密钥配置、服务商选择与调用费用监控，让读者在避免高成本或数据外泄的前提下获得完整的DeepSeek实践路径，具有较强的操作参考价值。
1. DeepSeek 使用方法：先搞清楚 V3 和 R1，再决定走哪条路
如果你最近刚接触 DeepSeek，大概率会在下载和使用的第一步就卡住：网上教程一大把，但有的让你去官网聊天，有的让你装命令行工具，还有的让你去买 API 密钥，到底哪个才对？这份《DeepSeek使用方法》PDF 其实把路线讲得很清楚——DeepSeek 不是只有一个模型，而是有 V3 和 R1 两个主力，它们的定位不同、成本不同、适用场景也不同。选错路线，要么多花钱，要么跑不动，要么根本装不上。这篇文章就围绕这份 PDF 的内容，把两条模型线、三条使用路线（官方网页/App、本地部署、API 加客户端）全部拆开，从选型到参数设置到实际踩坑，尽量做到新手能照做，熟手能避坑。
2. V3 还是 R1：模型选型直接决定你的使用成本和效果
2.1 两个模型的分工：全面均衡的 V3 与重推理的 R1
DeepSeek 当前开放的模型里，V3 和 R1 不是简单的“新版替代旧版”关系。V3 是通用主力，日常对话、文案写作、知识问答、信息整理这一类宽泛任务，V3 的处理能力已经完全够用。R1 则是在 V3 基础上强化了推理链路，专门应对逻辑推理、代码生成、数学证明这类需要多步推导的任务。一个直观的差异是：同样问一道复杂数学题，V3 可能直接给出答案，R1 会先把思考过程拆出来，再给结论。这个“思考过程”就是 R1 区别于 V3 的核心价值。但代价也很现实——R1 的计算量更大，在 API 计费模型下成本明显高于 V3，在本地部署时对硬件的要求也更高。选型时不需要纠结哪个“更好”，而是看具体任务有没有多步推理需求：没有就选 V3，省钱且响应快；有明确推理场景再切 R1。
2.2 用量和成本的权衡：按任务切模型，别一个模型用到底
很多用户容易犯一个错：拿到 R1 之后所有对话都挂在 R1 上，结果账单涨得飞快，普通问答的响应速度也变慢了。我一般会建议按任务类型做模型切换：日常会话、资料整理、草稿撰写这类高频低难度任务固定用 V3；只有遇到代码调试、逻辑推导、复杂计算时才手动切到 R1。以 API 计费方式为例，R1 的输入输出单价通常比 V3 高一截，如果一天有上百次调用，全部用 R1 和按需切换之间的成本差距可能达到数倍。更合理的做法是：先 V3 跑通流程，再把真正需要推理的请求单独路由到 R1。这个“路由”动作，在官方网页版里是手动切换选项，在 API 模式下则可以通过代码逻辑控制（比如用关键词或任务类型判断走哪个模型）。另外还要注意，R1 在长上下文场景下输出 token 数量普遍比 V3 多，因为推理过程本身会生成大量中间内容，这也是成本增加的隐藏来源。
2.3 蒸馏版与非满血版：本地部署的效果边界要提前知道
PDF 里提到一个关键概念：本地部署时一般用的是“蒸馏版”，而不是完整版模型。什么叫蒸馏？简单说，就是用完整大模型的输入输出作为训练数据，去训练一个参数规模更小的小模型，让小模型尽量模仿大模型的行为。这样做最大的好处是硬件门槛大幅降低，普通电脑也能跑；但代价是能力上限被压缩。蒸馏版的推理能力、知识广度和指令遵循能力都弱于完整版。以 DeepSeek R1 的本地部署为例，Ollama 平台提供从 1.5B 到 671B 多个规格，1.5B 蒸馏版只要约 1.1GB 内存就能运行，但它的输出质量和推理能力，和官方网页版完全不在一个量级。这不代表蒸馏版没用，而是说你要管理预期：本地蒸馏版适合隐私敏感、离线环境、或者只需要基础问答的场景；追求满血效果还是得走官方渠道。选型时把“效果-成本-隐私”这三个维度摆出来，答案基本就清晰了。
3. 官方使用路线：网页版和手机 App 的完整操作流程
3.1 网页版从注册到切换 R1 的完整步骤
官方网页版是最推荐的方式，原因简单：免费、完整版、零部署成本。访问官网后，第一步是注册，支持手机号、微信或邮箱三种方式。国内用户直接用 +86 手机号收验证码即可。这里有一个容易忽略的细节：注册完成后，系统默认进入的是 V3 模型，不会主动提示你 R1 的存在。R1 的入口通常在对话界面的模型选择区域，可能是一个下拉菜单或切换按钮。不少用户反馈找不到 R1，多半是因为没注意到界面上不太起眼的模型切换控件。操作路径并不复杂：登录 → 找到模型选择区域 → 从 V3 切换到 R1 → 开始对话。区别在于切换后，界面可能会显示“深度思考”或“推理模式”类似的提示，说明已经进入 R1 模式。建议第一次使用先各问一个问题做对比，感受两个模型在回答风格和速度上的差异，然后再决定日常挂哪个模型。
3.2 手机 App 的两种安装方式和登录配置
手机 App 的安装有两种方式，但没有本质区别。方式一是从官网首页找到“获取手机 APP”入口，用手机扫二维码跳转到应用商店或直接下载安装包；方式二是在手机应用商店直接搜索 DeepSeek 下载。两种方式安装的都是同一个官方客户端，不存在渠道差异，哪个方便用哪个。App 登录后的界面和网页版基本一致，模型切换的位置也相同。有一点需要提醒：由于手机端屏幕空间有限，模型切换入口在 App 里可能被收进二级菜单，比如点击对话界面的某个模型名称或设置图标后再选择。如果找不到切换入口，可以在 App 的设置页面里找“模型选择”或“默认模型”相关选项。手机 App 和网页版共用同一个登录账号和对话历史，不会出现数据孤岛的情况。
3.3 官方路线的边界：免费但并非没有限制
官方网页版和 App 虽然是完全免费的，但不是没有任何限制。在实际使用中会遇到两类问题：一是高峰期的服务拥堵，DeepSeek 用户量大之后，服务器响应速度可能出现波动，甚至偶尔提示服务繁忙，这属于服务端问题，个人无法解决，只能错峰使用；二是长对话场景下的上下文长度限制，虽然官方模型支持很长的上下文窗口，但免费使用场景下超高密度输入仍可能触发保护机制。对绝大多数普通用户来说，这些边界不影响日常使用；但如果是高强度、高频次的生产环境使用，官方免费版并不保证稳定性和连续性，这时可以考虑后面要讲的 API 方案。
4. 本地部署实操：Ollama 安装 DeepSeek R1 蒸馏版的完整过程
4.1 为什么选 Ollama：把模型管理变成三个命令的事情
本地部署 DeepSeek，绕不开一个工具：Ollama。它做的是一件事——把“下载大模型、配置运行环境、启动服务、管理模型版本”这一整套流程，压缩成简单的命令行操作。不用手工配置 Python 环境、不用处理 CUDA 依赖、不用和 HuggingFace 的文件下载作斗争。这正好解决了新手本地部署最大的痛点：模型文件动辄几个 GB，环境配置牵一发动全身。Ollama 把这一切封装好之后，本地部署就只剩三步：安装 Ollama → 选择模型 → 运行命令。对于追求数据隐私、离线可用，或者想折腾一下技术细节的用户来说，这是门槛最低的方案。
4.2 安装 Ollama 和拉取 DeepSeek R1 1.5B 的完整步骤
第一步，访问 Ollama 官网，下载对应操作系统（Windows / macOS / Linux）的安装包。Windows 用户下载 .exe 文件双击安装即可，安装过程没有特殊选项，默认配置直接走。macOS 用户需要 Intel 芯片或 Apple Silicon 都有对应版本，安装同样简单。
第二步，打开命令行工具。Windows 用户搜索“命令提示符”或 PowerShell，macOS 用户打开 Terminal。
第三步，拉取模型。在终端执行：
ollama run deepseek-r1:1.5b这个命令会把 DeepSeek R1 蒸馏版 1.5B 模型下载到本地并自动启动。下载时间取决于带宽，1.5B 模型文件并不大，通常在 5 分钟左右完成。下载完成后终端会进入交互式对话界面，直接输入问题就能得到回复。
从命令逻辑看，ollama run包含了两层动作：如果模型还没有下载，会先执行拉取；如果已经下载，则直接加载并进入对话。参数deepseek-r1:1.5b表示模型仓库名和标签，仓库名是deepseek-r1，标签1.5b指定了模型规格。如果省略:1.5b只写ollama run deepseek-r1，Ollama 会默认拉取该仓库的默认标签，不一定是 1.5B 版本，这点要注意。
4.3 从 1.5B 升级到 14B / 34B：先看显存再看效果
1.5B 模型跑通之后，很多用户会觉得回答质量不够理想。这时可以尝试升级到更大的规格。Ollama 的做法是执行同样的命令，改掉标签即可：
# 升级到 14B 版本 ollama run deepseek-r1:14b # 升级到 34B 版本 ollama run deepseek-r1:34b升级前需要评估自己的电脑能不能扛得住。这里的关键指标不是内存大小，而是显存（VRAM）。14B 模型仅参数加载就需要至少 8GB 以上可用显存，34B 则要到 20GB 以上。如果没有独立显卡或显存不够，Ollama 会退而求其次使用 CPU 推理，速度会明显变慢，回答一句话可能要等上一分钟。所以一个务实的做法是：先运行ollama run deepseek-r1:14b试一下响应速度，如果能接受就继续用，觉得慢就回到 1.5B；内存足够的机器还可以通过修改 OLLAMA 环境变量强制把模型放到内存跑，体验没有 GPU 那么顺畅，但不会直接崩。
# 查看当前模型列表和已下载的模型文件 ollama list这条命令会列出所有已下载的模型及占用空间。当电脑存储紧张时，可以用ollama rm deepseek-r1:1.5b删掉不再使用的低版本模型释放空间。
4.4 本地部署的隐藏成本：存储、内存和响应延迟
本地部署表面看省掉了 API 费用，但有一笔隐藏成本经常被忽略——磁盘空间。每个模型版本下载后都会占用本地存储：1.5B 约 1.1GB，14B 约 9GB，34B 约 20GB。如果抱着试试看的心态把每个版本都拉一遍，几十 GB 空间很快就没了。更麻烦的是，Ollama 默认会把模型文件存放在系统盘，如果你的 C 盘本身紧张，拉取大模型之前最好先确认一下剩余空间。另外就是响应延迟问题。本地模型没有服务端的并行计算资源，对话时只能串行处理，你问一句它答一句。如果同时开多个对话窗口，模型不会自动排队，可能出现互相干扰的情况。这些都是体验层面的细节，提前了解就不会产生预期落差。
5. 避坑与常见问题排查：从模型错乱到显存不足的五个实操记录
5.1 现象：执行ollama run deepseek-r1下载了错误的版本
不少用户在终端执行命令后，发现下载的模型体积远超预期，甚至等待时间长达几十分钟。原因在于命令里写了deepseek-r1但没有指定标签，Ollama 拉取了仓库的默认版本，而这个默认版本往往不是最小规格，可能是 7B 或更大。解决方法是：拉取前先到 Ollama 模型库查看支持的标签列表，确认你要的版本和规格。比如明确指定deepseek-r1:1.5b。这里补充一个技巧：在 Ollama 模型库页面找到目标模型后，页面上会直接给出当前选中的指令，复制粘贴到终端执行就可以，手动拼命令容易出错。
5.2 现象：本地部署回答质量与官方网页版差距明显
本地跑 R1 蒸馏版后，用户普遍感觉“这不是同一个模型”。这正是蒸馏版和满血版的能力鸿沟。1.5B 蒸馏版受限于参数规模，复杂推理解释和长文本生成质量确实不如官方完整版。这不是安装问题，而是模型本身的特性。如果你对回答质量有较高要求，建议直接使用官方网页版。如果因为数据隐私原因必须本地部署，那至少要选择 14B 或更高规格的模型，并在使用前明确接受效果折损。
5.3 现象：本地部署运行时电脑风扇狂转、响应极慢
常见原因有两种：一是模型规格超过了硬件承受能力，二是没有 GPU 加速。比如在只有 8GB 内存的机器上跑 14B 模型，Ollama 会把模型加载进内存，此时系统内存被大量占用，CPU 需要承担全部推理任务。解决思路是：先检查模型是否超出硬件规格。在终端执行ollama ps可以查看当前运行中的模型，确认加载的是哪个规格；如果只有 CPU 可用，建议回到 1.5B 或 7B 规格。如果你确实需要跑更大的模型，可以考虑使用 Ollama 的 API 模式，把推理请求转发到带 GPU 的远程服务器上。
5.4 现象：API 密钥泄露，账户产生非本人操作的调用记录
使用 API 加客户端方式时，密钥管理不当会直接导致经济损失。常见做法是把密钥写在客户端配置文件里，与朋友共享这个配置文件，密钥也随之泄露。解决思路是：
- 不要把 API 密钥提交到代码仓库或粘贴到公开文档；
- 在 API 服务商的后台开启“用量提醒”或配额限制，设置单日最高消费限额；
- 发现异常调用时立即吊销密钥并重新生成，同时检查调用记录确认是否存在盗用。
API 调用是付费服务，密钥就是你的钱包钥匙，不要随便交给第三方应用或未知插件。
5.5 现象：官方网页版频繁提示服务繁忙或响应超时
高峰期 DeepSeek 官方服务可能出现排队或响应波动，这不属于个人操作问题。处理建议是错峰使用：避开工作日上午和晚 8 点到 11 点的高峰段。如果是 App 端持续报错，先检查网络状态再重新登录；如果网页端长期无法访问，可以尝试更换浏览器和设备。另一个实用技巧是：使用 API 加客户端的方案作为备用通道。官方网页拥堵时，API 通道通常不受影响，在客户端里配置好后可以作为稳定的替代入口。这样你能在高峰期绕开排队问题，同时也为会话连续性提供保障。
6. API 加客户端路线：用 ChatBox 把 DeepSeek 部署进第三方平台
6.1 为什么选 API 加客户端方案
API 加客户端本质上是绕开官方聊天界面，用第三方客户端软件调用 DeepSeek 的能力。这套方案适合两类用户：一是需要把 DeepSeek 集成进工作流或第三方平台，比如写自动化脚本、批量处理文本；二是想要更好的交互体验，官方网页版界面过于简单，而 ChatBox 这类客户端支持会话分组、提示词管理、模型参数调节。这里的关键点是 API 服务商提供密钥，客户端负责界面和对话管理，模型实际运行在服务端的算力上。你不需要自己准备显卡和存储，却比官方网页多了一层灵活性。与官方免费版相比，API 方案是付费的，但换来的是响应稳定性、可编程性和生产可用性。
6.2 客户端下载和 API 密钥获取
以 ChatBox 为例，这是一个开源的 AI 客户端，支持 pc 和手机端。下载安装后，进入设置界面，选择“添加模型提供商”或“设置 API 地址”选项。在此之前，你需要先到一家提供 DeepSeek API 的服务商注册账号，创建 API 密钥。目前国内有不少平台兼容 DeepSeek 的 API 格式，注册后进入开发者后台，找到“API 密钥”或“Token 管理”页面，创建密钥并复制保存。
这里有一个常见疑问：为什么不直接用 DeepSeek 官方的 API？部分第三方服务商限时开放了免费额度，这为初期体验降低了门槛。但在正式投入生产之前，最好对比一下各家的价格、速率限制和服务稳定性。
6.3 客户端配置的关键参数
打开 ChatBox 设置面板，将服务商切换为已选择的平台，然后填入 API 密钥。配置时需要注意三处细节：
- 模型名称，需要填写服务商指定的模型标识，例如
deepseek-r1或deepseek-v3，填错会导致 404 报错； - API 地址（Base URL），如果客户端默认地址与服务商不匹配，需手动修改为服务商提供的接口地址；
- 上下文长度和多轮对话开关，部分客户端默认开启长上下文补全，这会增加每次调用的 token 消耗，需要按实际需求调整。
配置完成后，客户端会自动加载模型列表。试着发起一次对话，确认 R1 模型可以正常响应，再开始正式使用。
6.4 验证模型效果与控制成本的操作范式
每次配置新密钥或切换新模型之后，都建议先做一个最小验证：分别请求 V3 和 R1 各一次，对比回答风格和耗时，同时记录两者的 token 消耗。从那次起我每次配置完新模型，都会强制走一遍“先测 V3、再测 R1、比对输出长度”的流程，这样能快速判断当前配置是否真的生效，也能让成本预期落在自己掌握之中。平时使用也要留意客户端显示的 token 使用量，部分客户端内置统计面板，按日/周汇总调用情况；没有统计面板的工具可以到服务商后台查看调用报表。把 V3 作为默认模型，把 R1 作为按需切换的推理选项，同时定期核对调用记录，基本不会出现失控账单。希望这份完整的 DeepSeek 使用拆解能帮到正在摸索的你。
本文还有配套的精品资源，点击获取
