简介：DeepSeek本地部署保姆级教程，旨在帮助深受在线服务频繁中断、响应不稳困扰的用户，通过本地运行保障使用连续性、保护隐私并降低延迟。整个压缩包共1份docx图文讲解文档、约1.28MB，系统拆解三大环节：安装Ollama应用；按硬件选择并下载DeepSeek-R1模型（入门1.5B、进阶7B、高性能32B）；配置ChatBox图形化界面连接本地模型完成交互测试，并说明当前版本暂无联网检索能力。文中给出Ollama、模型库与ChatBox的官方获取途径，以及下载失败时可用的网盘备用链接，并对常见问题做了说明，方便读者对照操作逐步排错。已有3698人浏览学习这份资源，适合对DeepSeek感兴趣、有一定操作经验并希望拥有独立离线AI助手的技术爱好者与专业人士。
1. DeepSeek 本地部署：官方服务不可用，我把全家桶搬进了自己电脑
DeepSeek 官方服务最近三天两头“罢工”，要么排队排到怀疑人生，要么直接弹“服务不可用”，正在写的东西断在一半，心情比查克拉还乱。与其在网页里受气，不如在本地电脑上部署一套 DeepSeek，模型文件、推理引擎、聊天界面全装在自己机器里。本地部署的好处很实在：不用和全网用户抢带宽，网络波动再大也不会把对话掐断；数据不出电脑，隐私敏感的内容不用过别人的服务器；响应速度也稳定得多。这套方案适合受够了在线服务抽风的人，也适合想研究大模型实际运行逻辑的开发者。你不需要懂机器学习，只需要一台电脑、一个下午、以及跟着下面步骤走完的耐心——我先踩过的坑，你已经不需要再踩一遍。
2. 安装 Ollama：版本确认和两个最容易被忽略的路径坑
2.1 下载前的配置核查：先看显存、内存和系统版本
Ollama 的官网下载按钮很好找，但直接点下去之前，我建议你先花两分钟把电脑的底细看清楚。本地部署大模型和装普通软件不一样，装完之后跑不跑得动、跑得顺不顺，完全取决于硬件底线。Ollama 支持 Windows 10+、macOS 11+ 以及主流 Linux 发行版，但 DeepSeek 模型对不同硬件的胃口差别很大。我不希望你装完 Ollama、满心欢喜敲下ollama run，结果看到的是模型加载到一半就被系统“杀”掉。
先查三样东西。第一是系统版本，Windows 用户按Win+R输入winver确认版本号，低于 Windows 10 的建议先升级系统，旧版系统对 Ollama 的兼容性很差。第二是内存，按Ctrl+Shift+Esc打开任务管理器，看“性能”选项卡里的内存容量。第三是显卡显存，命令行里敲nvidia-smi能看到显存总量和当前占用。如果你用的是核显或者没有 NVIDIA 显卡，也别灰心，后面会说纯 CPU 该怎么选模型。
还有一个容易忽略的点：Ollama 在 Windows 上默认依赖 WSL2 后端。如果你之前没装过 Linux 子系统，Ollama 安装包会提示你补装 WSL2 内核。这个步骤会重启电脑，提前保存好工作内容，免得装到一半被重启打了个措手不及。
2.2 安装与验证：从官网下载到命令行识别 Ollama
Ollama 官方网站是https://ollama.com/，进去之后主页正中就是 Download 按钮。Windows 用户会拿到一个.exe安装包，macOS 拿到的是.dmg或者是 zip 解压即用版本。双击安装，一路 Next 就行——这个软件没有那种让人头大的“自定义安装选项”陷阱，默认配置就够用。
安装完成后最直观的标志是：开始菜单的搜索框输入ollama，能看到一个羊驼样式的图标。这时候别急着开心，先验证它到底能不能被命令行调用。按Win+R输入cmd调起命令行窗口，敲一句：
ollama -v正常输出像ollama version 0.x.x这样的版本号，说明安装成功且环境变量已经被正确写入。如果提示'ollama' 不是内部或外部命令，说明环境变量没刷进当前终端。这不是装坏了，而是 Windows 的老毛病——新装的程序写入的 PATH，对已经打开的命令行窗口不生效。关掉这个 cmd 窗口，重新开一个，基本就解决了。
2.3 环境变量：模型别塞 C 盘，给 Ollama 指一条新路
这一步很多人装完才后悔。Ollama 默认把模型文件存在用户目录下的.ollama/models文件夹，对 Windows 来说就是C:\Users\你的用户名\.ollama\models。C 盘本来就被系统和各种软件挤得只剩一点空间，模型文件动辄几个 GB 甚至几十 GB，放 C 盘的结果是系统盘越用越红，最后连日常更新都跑不动。我一般会在部署当天就把模型目录迁到其他盘，别等 C 盘报警了再救。
Windows 下设置方法：右键“此电脑” → 属性 → 高级系统设置 → 环境变量 → 在“用户变量”或“系统变量”区域新建一条，变量名写OLLAMA_MODELS，变量值填你希望模型存放的路径，比如D:\ollama\models。保存之后，重开命令行，运行ollama serve启动后台服务，再执行ollama list确认新路径生效。需要说明的是，环境变量设置后，之前已经下载的模型不会自动搬过去，如果有旧模型，记得手动把.ollama\models目录挪到新路径。
如果电脑上还跑着其他服务，可能要调整 Ollama 的监听地址。默认只在127.0.0.1:11434上提供服务，够安全也够用；如果有多机访问的需求，可以加一条OLLAMA_HOST=0.0.0.0。注意，局域网暴露服务意味着其他人也能连上你的模型接口，非必要不开放。
3. 模型选择与下载：为什么 7B 是我最推荐的起步版本
3.1 参数规模对照：1.5B、7B、32B 分别适配什么配置
模型文件名里那个数字后缀，代表的是参数量。拿 7B 来说，就是 70 亿参数的模型。参数越多，理论上回答越聪明、推理越严谨，但对内存和显存的要求也直线上升。DeepSeek-R1 官方给过三档参考配置，我把它们整理成一张表，方便你对号入座。
| 模型版本 | 内存要求 | 显存要求 | 适合场景 |
|---|---|---|---|
| 1.5B | 4GB | 核显或无显卡可跑 | 低配电脑体验用，回答质量一般，适合轻度对话 |
| 7B | 8GB | 4GB | 大多数电脑的甜点位，速度和智商平衡最佳 |
| 32B | 32GB | 12GB | 高性能设备，回答质量好，但硬件门槛高 |
我见过不少新手上来就想挑战 32B，结果模型文件下载到一半磁盘满了，或者加载完之后电脑风扇起飞、每秒蹦一个字。本地部署最重要的原则是“先跑通，再优化”。第一次部署选 7B 是性价比最高的决策：如果你的电脑是 16GB 内存 + 6GB 以上显存，7B 能基本满速运行；就算没有独立显卡，靠 CPU + 内存硬算，8GB 内存也能跑，只是响应会慢一些，但至少能出结果。
3.2 下载命令：ollama run 与 ollama pull 的关系
确认配置没问题后，就该拉取模型了。这里有个很多初学者没搞明白的点：ollama run deepseek-r1:7b这条命令，并不只是“启动模型”，它会自动帮我把缺少的模型文件下载到本地，然后再进入交互对话界面。也就是说，第一次执行这条命令，等于是“下载 + 启动”一锅端。如果你想分开操作，先用ollama pull deepseek-r1:7b单独下载模型文件，再随时用ollama run启动，道理也是一样的。
# 只下载模型，下载完不会进入对话界面 ollama pull deepseek-r1:7b # 启动模型并进入交互界面，第一次执行会自动先下载 ollama run deepseek-r1:7b # 列出当前机器上已有的模型 ollama list下载速度取决于网络到ollama.com的连通性。我不止一次遇到下载到 90% 就卡住的情况，这不是模型文件有问题，而是 Ollama 的下载机制在长时间断流后不会自动重试到成功。解决办法也很朴素：Ctrl+C终止当前下载，重新执行一遍ollama pull deepseek-r1:7b，它会基于已下载的分片继续拉取，不用从零再来。如果反复卡住，或者下载速度只有几十 KB，建议直接换网络环境，或者用官方教程里附带的那条网盘下载链接拿现成的模型文件，然后手动放到对应的模型目录下。Ollama 的模型文件是标准 GGUF 格式，只要文件名和lib/models/manifests路径对齐，它就能正常识别。
3.3 模型命名与量化：deepseek-r1:7b 这串字符到底暴露了什么
deepseek-r1:7b看起来只是“模型名 + 版本号”，其实还有一层比较关键的细节。Ollama 官方仓库里，deepseek-r1:7b对应的实际是 DeepSeek-R1 的蒸馏版本，底层用到的是 Qwen2.5 架构。这意味着你本地跑的不是原版 7000 亿参数的 DeepSeek-R1，而是官方蒸馏到 70 亿参数的版本。对于本地部署来说，这是好事——蒸馏版本保住了大部分推理能力，体积却只有原版几十分之一。
另一个值得了解的是量化。Ollama 在拉取模型时会自动选用默认的量化精度，普通用户不需要关心这个参数，但你想深挖性能的时候，可以执行ollama show deepseek-r1:7b查看模型详情，里面会标明参数量、量化位数、上下文窗口等信息。量化位数越低，文件越小、速度越快，但回答质量会有细微下降。在 7B 这个规格上，默认量化的表现已经很均衡，不建议新手手动改量化等级，等把整套流程跑通之后，再折腾这些高阶玩法不迟。
4. 安装 ChatBox：图形化界面接上 Ollama，别再用命令行聊天了
4.1 ChatBox 的下载安装：版本选择与安装流程
模型在命令行里能跑起来了，但说实话，黑底白字的交互界面实在谈不上体验好——不能换行排版、复制回答也费劲、聊天记录更是没有。ChatBox 就是专门解决这个问题的：一个开源桌面客户端，把这些本地模型包上一个现代聊天软件的壳。ChatBox 的下载地址是https://chatboxai.app/zh/install?download=win64，Windows 64 位系统直接用这个链接拿安装包。装完之后第一次打开，它会弹出一个设置引导窗口，里面有一个关键选项：“使用自己的 API Key 或本地模型”，选这个就能对接本地 Ollama。
这里有一个很多人会翻车的地方：手太快点了跳过，设置窗口没了，不知道从哪找回。别慌，ChatBox 的主界面左侧边栏有“设置”入口，点进去之后找“模型提供方”，如果列表里没有，就点“添加自定义提供方”。所有配置项都在这里，不用重新安装软件来找那个窗口。
4.2 API 配置参数：三个字段决定这次接驳能不能成
ChatBox 并不是只能连本地 Ollama，它本身就是一个支持多后端的客户端，可以连 OpenAI、Claude、Gemini 等云端服务，也可以连本地模型。问题在于，不同后端要求的填写格式不太一样。连接 Ollama 时，我测试下来这三项配置这么填最稳：
| 配置项 | 填写内容 | 说明 |
|---|---|---|
| API 域名 | http://127.0.0.1:11434/v1 | 注意末尾的/v1，很多人漏掉这截 |
| API 密钥 | 随便一串字符，如ollama | ChatBox 校验格式，不允许为空，但 Ollama 不验证密钥内容 |
| 模型名 | deepseek-r1:7b | 必须与ollama list输出完全一致 |
API 域名为什么是http://127.0.0.1:11434/v1？因为 Ollama 从很早的版本开始就内置了一个 OpenAI 兼容协议的外层接口，监听端口是 11434，/v1是这个兼容层的 URL 前缀。ChatBox 这类软件本身是按 OpenAI 接口规范开发的，所以让它们对接 Ollama，最省事的方式就是走这个兼容层。你要是把这个前缀漏了，ChatBox 会报 404 或者 connection error，因为你直接把请求发到了 Ollama 的根路径，而根路径没有对应路由。
API 密钥那一栏，很多人会纠结“我没有 OpenAI 的 Key 怎么办”。放心，Ollama 是本地服务，不校验密钥，它的身份验证约定俗成地依赖127.0.0.1这个回环地址。ChatBox 的界面要求密钥不能为空，所以随便填一个长度超过 1 的字符串，比如ollama或者local，就能通过校验。我每次给测试机配置时都填ollama，已经形成肌肉记忆了。
4.3 适配模型名：填错一个冒号，对话窗口就前功尽弃
模型名deepseek-r1:7b这个字段，是三层配置里最容易出致命小错的。毛病通常出在三个地方：第一，输成了deepseek-r1-7b，把冒号换成了连字符，Ollama 仓库里的标签用的是冒号，ChatBox 拿错误的名字去请求，Ollama 会返回一个类似model not found的错误，整个对话窗口直接不能发消息。第二，大小写写错，写成DeepSeek-R1:7b。我特意测试过，Ollama 的模型标签匹配是大小写敏感的，你必须严格按照ollama list里输出的原样来填。第三，模型版本号尾巴没写，只填deepseek-r1，这样有可能匹配到一个默认标签，也可能匹配不到，看仓库当前默认指向的版本，结果不可控。最稳妥的做法是不凭记忆填，先把命令行里的ollama list打开，对照着输出把模型名抄过去。
配置保存之后，就可以在 ChatBox 的对话框里发第一条消息了。我习惯先问一句“你是谁”，看它回答“我是 DeepSeek-R1，由……”，这就说明整套链路已经打通。值得提醒的是，本地部署的版本目前不具备联网搜索能力，它的知识截止到模型训练时点，聊历史、写代码、做推理没问题，问“今天天气怎么样”就不灵了。联网功能是后续要单独配置的模块，本篇不展开。
5. 避坑指南：本地部署 DeepSeek 最常翻车的五个场景
5.1 提示'ollama' 不是内部或外部命令
这是 Windows 上装完 Ollama 之后最经典的报错。明明安装过程没有任何异常，羊驼图标也在开始菜单里躺着，但一打开 cmd 敲ollama就提示找不到命令。原因很简单：Ollama 安装包写入用户级 PATH 环境变量之后，已经打开的命令行窗口不会自动刷新它读取的环境变量列表。解决办法是先关掉所有 cmd 窗口和终端工具，重新开一个新的再试；如果新窗口依然提示找不到，那就手动检查环境变量里有没有 Ollama 的安装路径，没有就手动加进去。这个路径通常在C:\Users\你的用户名\AppData\Local\Programs\Ollama，把这段路径追加到 PATH 列表就行。以后装完 Ollama，我的习惯是先重开终端再敲命令，省得白报错一次。
5.2 模型下载卡在 90% 或 99%，进度条长时间不动
Ollama 官方仓库的下载服务器在海外，国内网络环境经常出现下载到接近尾声时突然没速度的情况，进度条就卡在最后一小段，看着比温柔一刀还难受。原因是 Ollama 的下载模块对长连接断流处理不完美，流断了之后不主动重连。解决手法是允许中断退出——Ctrl+C杀掉当前下载任务，然后重新执行ollama pull deepseek-r1:7b。Ollama 会把已经下好的分片缓存保留着，下一次从断点续传，不会重新下载整个文件。如果反复重试还是卡住，就别死磕官方源了，用官方教程里附带的网盘下载链接直接拿压缩包，解压之后放进模型目录，效果是一样的。
5.3 ChatBox 能启动但发消息就报 404 或 connection error
部署到 ChatBox 这一步时，最常遇到的情况是：软件装好了，配置填完了，点发送，对话框直接报错。百分之八十的原因是 API 域名末尾少了/v1。ChatBox 按 OpenAI 兼容协议拼请求地址，它在你填的域名后面直接加/chat/completions，如果你填的是http://127.0.0.1:11434，实际请求就发到了http://127.0.0.1:11434/chat/completions，而 Ollama 的 OpenAI 兼容层只挂在/v1子路径下，请求必 404。修改方式是在 API 域名末尾补上/v1，重新保存再试。另外一个高频原因是 Ollama 后台服务没起来——安装 Ollama 后，桌面端不会自动常驻一个可见的服务进程，你得确认模型已经在命令行里跑起来过。在执行ollama run deepseek-r1:7b成功进入对话之后，Ollama 的服务端才会保持在后台监听 11434 端口。
5.4 对话响应奇慢，每秒只能蹦几个字
7B 模型在理论上限内跑得不慢，但一旦你用的电脑既没有独立显卡、显存又不够大，Ollama 只能退化为纯 CPU 推理模式，速度感人。我见过一台 8GB 内存无独显的笔记本跑 7B，一个简单问题要转圈三十秒以上。遇到这种情况，先别卸载重装，用nvidia-smi看一眼显存占用，确认 Ollama 是否真的在用 GPU。如果显存不够但内存够，也可以强行让模型在 CPU + 内存模式下运行，但 7B 最好还是 16GB 内存往上；16GB 以下，直接换 1.5B 版本体验会顺滑很多。另外一个性能优化手段是限制 Ollama 的并发请求，默认情况下它会尽量利用全部算力，如果你同时开着浏览器和办公软件，体感会更卡。设置环境变量OLLAMA_NUM_PARALLEL=1强制串行推理，能把资源让给正在跑的任务。
5.5 回答质量与官方网页版差距明显
本地 7B 蒸馏版和官方网页版那几百亿参数的原版模型，能力差距是客观存在的。有些用户跑完 7B 后发现写代码、做数学推理的输出质量比网页版差了一截，就开始怀疑是不是安装配置出了问题。这其实不是 bug，是规格差异。本地部署的取舍本来就是“牺牲一部分能力上限，换来随时可用的稳定性”。想要更好的效果，硬件允许的情况下可以升级到 32B 版本；硬件跟不上，就接受 7B 的能力边界，把它当成一个顺手的写作助手、代码片段生成器和逻辑草稿纸，而不是全知全能的生产力终极方案。配置和流程没有问题，就不要在“调参”上反复折腾，把时间花在实际使用上收获更大。
6. 验证跑通：从“你是谁”到压一下本地模型的成色
部署完成不能以“界面能打开”为准，至少要走完一轮连贯验证。我通常按三步检查。第一步，打开命令行敲ollama list，确认模型列表里有deepseek-r1:7b；再敲ollama ps，这个命令比list更有信息量——它能显示出当前有几路对话在服务端处于加载状态、模型被加载到显存还是内存。如果ps输出为空，说明模型还没被拉起来，在 ChatBox 里发消息可能经过一段冷启动延迟，第一次响应会慢一些，这是正常现象。
第二步，回到 ChatBox，发一个需要短上下文记忆的追问。直接问“你是谁”只能验证链路通了，不能验证推理能力。我的做法是：先发一句“请记住数字 37，不要回答，只回复‘已记住’”，再发“我刚才让你记住的数字是多少”。本地模型如果答对了 37，说明上下文窗口正常、推理链路完整，不只是一个只会背诵题面的空壳。第三步，用一个 200 字左右的写作类请求测试长文本生成能力，比如“写一段 300 字的夏日傍晚描写”。记录从点击发送到完整输出的时间，7B 在普通 16GB 内存 + 无独显的电脑上大概需要数十秒，有 4GB 以上显存会明显快一截。连续问两三轮，观察输入框是否流畅，回复是否出现乱码或截断。
还有一个习惯性动作值得保留：测试完成后，把 ChatBox 侧边栏“模型提供方”里的配置界面打开，截一张图存档，包括 API 域名、模型名和密钥。以后系统重装、换电脑、或者 Ollama 升级之后连不上，翻出这张图照填就恢复。走完这三步，这套本地部署才算真正验收通过——它和官方网页版的区别在于：你的对话不会再因为对方服务器过载而中断，也不会因为高峰期排队而被晾在一边。从那以后，我每次部署完本地模型都会强制走一遍ollama ps+ 二次追问的流程，确认服务端真的在工作，而不是只把界面装壳子装得漂亮。这个习惯保住了我好几次“演示给外人看结果翻车”的时刻，希望帮到你。
本文还有配套的精品资源，点击获取
