Deepseek本地部署详细指南！从 Ollama 到个人知识库应用（附教程）

系统介绍

1. mbp pro
   

一、Ollama 安装与配置

1.1 跨平台安装指南

Ollama 作为本地运行大模型的利器，支持三大主流操作系统：

# macOS一键安装 # Windows用户 访问官网 https://ollama.com/download 下载安装包 # Linux安装（Ubuntu/Debian为例） curl -fsSL https://ollama.com/install.sh | sudo bash sudo usermod -aG ollama $USER # 添加用户权限 sudo systemctl start ollama # 启动服务

1.2 服务验证

ollama -v # 输出ollama version is 0.5.7

出现上述则表示安装成功，可浏览器访问http://localhost:11434/验证

二、Deepseek 模型部署

2.1 模型下载与加载

以 deepseek r1 模型为例：

1. 访问https://ollama.com/library/deepseek-r1，默认为 7b 模型，如需其他模型，可以在当前页搜索所需模型
2. 模型详情页复制安装命令ollama run deepseek-r1
3. 安装完成后在终端执行：

ollama run deepseek-r1 # 执行后 pulling manifest pulling 96c415656d37... 100% ▕██████████████▏ 4.7 GB pulling 369ca498f347... 100% ▕██████████████▏ 387 B pulling 6e4c38e1172f... 100% ▕██████████████▏ 1.1 KB pulling f4d24e9138dd... 100% ▕██████████████▏ 148 B pulling 40fb844194b2... 100% ▕██████████████▏ 487 B verifying sha256 digest writing manifest success > > > Send a message (/? for help) > > > ` > > > 当看到上述提示，即可开始模型对话。

• mac 后台标识

• win 后台标识

  见任务栏托盘区

2.2 模型验证测试

运行交互式对话测试：

请用Python写一个快速排序算法

当看到完整代码输出，说明模型已成功加载。

硬件要求建议：

• 最低配置：16GB 内存 + 8GB 显存
• 推荐配置：32GB 内存 + 16GB 显存（RTX 3060 级别）

三、安装交互 ui

3.1 chatbox

1. 下载地址chatboxai.app
2. 配置本地模型

• 进入设置页面

• 选择 ollama api (本地部署)
• 配置本机地址，默认http://127.0.0.1:11434

至此即可开启问答模式

3.2 Page Assist 浏览器插件

1. 安装地址Page Assist - 本地 AI 模型的 Web UI
2. 安装后简单配置即可开启问答模式，功能丰富，可以参考官方引导
3. 本插件支持本地知识库建设，因本次使用 Dify 建设，在此不赘述。

四、Dify 知识库搭建

参考文档地址Docker Compose 部署

4.1 环境准备

1.拉取源代码，准备环境

# mac os # 克隆 Dify 源代码至本地环境。 git clone https://github.com/langgenius/dify.git # 进入 Dify 源代码的 Docker 目录 cd dify/docker # 复制环境配置文件cp .env.example .env

2.启动 Docker 容器（需要先安装 D ocker）

docker compose up -d # 如果版本是 Docker Compose V1，使用以下命令： docker-compose up -d # 正常返回 [+] Running 74/9 ✔ db Pulled 834.2s ✔ sandbox Pulled 1120.7s ✔ weaviate Pulled 526.5s ✔ web Pulled 174.0s ✔ redis Pulled 893.7s ✔ api Pulled 2919.8s ✔ worker Pulled 2919.8s ✔ ssrf_proxy Pulled 494.0s ✔ nginx Pulled 184.7s [+] Running 11/11 ✔ Network docker_default Created 0.0s ✔ Network docker_ssrf_proxy_network Created 0.0s ✔ Container docker-db-1 Started 1.1s ✔ Container docker-web-1 Started 1.1s ✔ Container docker-redis-1 Started 1.1s ✔ Container docker-sandbox-1 Started 1.1s ✔ Container docker-weaviate-1 Started 1.1s ✔ Container docker-ssrf_proxy-1 Started 1.1s ✔ Container docker-api-1 Started 0.7s ✔ Container docker-worker-1 Started 0.7s ✔ Container docker-nginx-1 Started 0.8s

在此阶段可能会遇到下列失败的情况，可以尝试切换源解决 我当时的条件

1. 修改配置后重启 docker
2. 办公网环境下

docker compose up -d [+] Running 9/9 ✘ web Error context canceled 14.9s ✘ redis Error context canceled 14.9s ✘ db Error context canceled 14.9s ✘ nginx Error context canceled 14.9s ✘ ssrf_proxy Error context canceled 14.9s ✘ sandbox Error Head "https://registry-1.do... 14.9s ✘ api Error context canceled 14.9s ✘ worker Error context canceled 14.9s ✘ weaviate Error context canceled 14.9s Error response from daemon: Head "https://registry-1.docker.io/v2/langgenius/dify-sandbox/manifests/0.2.10": Get "https://auth.docker.io/token?scope=repository%3Alanggenius%2Fdify-sandbox%3Apull&service=registry.docker.io": EOF

解决方法

• 右上角齿轮图标进入设置 -> Docker engine，在配置中添加
• 写入以下内容 ocker）

{ // ... "registry-mirrors": [ "https://docker.hpcloud.cloud", "https://docker.m.daocloud.io", "https://docker.unsee.tech", "https://docker.1panel.live", "http://mirrors.ustc.edu.cn", "https://docker.chenby.cn", "http://mirror.azure.cn", "https://dockerpull.org", "https://dockerhub.icu", "https://hub.rat.dev" ]}

4.2 Dify 创建聊天

1. 访问http://localhost/（默认 80 端口） 进入 dify
2. 首次进入初始化设置账号密码
3. 点击 Dify 平台右上角头像 → 设置 → 模型供应商，选择 Ollama，轻点“添加模型”。

在配置 url 时，因为是 docker 服务，http://localhost:11434 存在无法访问的情况，可以尝试http://host.docker.internal:11434

4.至此，可以开始创建应用，在主页选择 全部 -> 创建空白应用 -> 填入应用信息即可

4.3 Dify 知识库创建

1. 主页选择 知识库 -> 创建知识库 -> 上传知识 -> 等待处理完成

2. 进入聊天应用，选择刚才创建的知识库，即可开始带有私域知识的沟通

五、应用测试

5.1 翻译场景

1.本地客户端具有部分国际化测试文件需要执行翻译，格式示例如下，多层嵌套的 json 格式，value 为string类型。需要利用大模型对整个 json 文件进行翻译，将中文翻译为英文后按原格式返回

// zh.json { "window": { "willUnload": { "title": "确认刷新当前页面吗?", "message": "系统可能不会保存您做的更改", "unload_bt": "重新加载", "cancel_bt": "取消" } } } ocker）

2.实际应用测试，以deepseek-r1:7b/14b模型做测试。得到结果如下

3.执行脚本trans.js

const fs = require("fs"); const axios = require("axios"); // 1. 读取本地JSON文件 const readJsonFile = (filePath) => { return new Promise((resolve, reject) => { fs.readFile(filePath, "utf8", (err, data) => { if (err) { reject(err); } else { resolve(JSON.parse(data)); } }); }); }; const MODEL = "deepseek-r1:14b"; // 2. 调用本地大模型接口进行翻译 const translateText = async (text, key) => { let response; try { console.time(`run worker ${key}`); response = await axios.post("http://localhost:11434/api/generate", { // model: 'deepseek-r1:7b', model: MODEL, prompt: `有部分客户端国际化的配置文件，内容为json格式，需要翻译，要求按步骤进行翻译： 1. 将中文翻译为英文 2. 保持原有json格式不变，将value替换成翻译后的文本 3. 你始终以合法的JSON格式响应，返回结果格式如: {"key1":"翻译后的文本1","key2":"翻译后的文本2"}，直接返回结果，不需要符号包裹 配置文件 """${JSON.stringify(text)}"""`, stream: false, }); console.timeEnd(`run worker ${key}`); const splitText = "</think>"; const startIndex = response.data.response.indexOf(splitText); const result = response.data.response .slice(startIndex + splitText.length) .trim() .replace(/<<+|>>+/g, ""); // console.log('response.data.response:', response.data.response, JSON.parse(result), result) return JSON.parse(result); // 假设接口返回的翻译结果在response.data.translatedText中 } catch (error) { console.error("翻译出错:", key); return translateText(text, key); // 如果翻译失败，返回原文 } }; // 3. 并行翻译逻辑（手动控制并发） const translateJson = async (jsonData, concurrency = 5) => { const entries = Object.entries(jsonData); const translatedData = {}; let currentIndex = 0; // 当前处理的任务索引 // 定义工作线程：每个线程不断处理下一个任务 const worker = async () => { while (currentIndex < entries.length) { const index = currentIndex++; if (index >= entries.length) break; // 所有任务已完成 const [key, value] = entries[index]; try { translatedData[key] = await translateText(value, key); } catch (error) { translatedData[key] = value; // 保留原文 } } }; // 启动指定数量的工作线程 const workers = Array(concurrency).fill(null).map(worker); await Promise.all(workers); // 等待所有线程完成 const result = {}; // 保持原有顺序 entries.forEach(([key, value]) => { result[key] = translatedData[key] || value; }); return result; }; // 4. 将翻译后的内容生成新的文件 const writeTranslatedJson = (filePath, data) => { return new Promise((resolve, reject) => { fs.writeFile(filePath, JSON.stringify(data, null, 2), "utf8", (err) => { if (err) { reject(err); } else { resolve(); } }); }); }; function compareObjectsWithPath(obj1, obj2, path = "") { // 类型不同时直接返回路径 if (typeof obj1 !== typeof obj2) { return { success: false, path: path || "root" }; } // 处理可遍历对象（对象或数组） if (typeof obj1 === "object" && obj1 !== null && obj2 !== null) { const isArr1 = Array.isArray(obj1); const isArr2 = Array.isArray(obj2); // 数组类型不一致 if (isArr1 !== isArr2) { return { success: false, path: path || "root" }; } if (isArr1) { // 数组长度不同 if (obj1.length !== obj2.length) { return { success: false, path: path || "root" }; } // 递归检查数组元素 for (let i = 0; i < obj1.length; i++) { const currentPath = `${path}[${i}]`; const result = compareObjectsWithPath(obj1[i], obj2[i], currentPath); if (!result.success) return result; } return { success: true }; } else { // 检查是否为纯对象（字面量对象） const isPlainObj1 = isPlainObject(obj1); const isPlainObj2 = isPlainObject(obj2); if (isPlainObj1 !== isPlainObj2) { return { success: false, path: path || "root" }; } // 非纯对象（如 Date、RegExp）需检查是否均为字符串 if (!isPlainObj1) { return typeof obj1 === "string" && typeof obj2 === "string" ? { success: true } : { success: false, path: path || "root" }; } // 合并所有 key 并检查数量 const keys1 = Object.keys(obj1); const keys2 = Object.keys(obj2); const allKeys = new Set([...keys1, ...keys2]); if (allKeys.size !== keys1.length || allKeys.size !== keys2.length) { return { success: false, path: path || "root" }; } // 递归检查每个属性 for (const key of allKeys) { const currentPath = path ? `${path}.${key}` : key; if (!keys1.includes(key) || !keys2.includes(key)) { return { success: false, path: currentPath }; } const result = compareObjectsWithPath( obj1[key], obj2[key], currentPath ); if (!result.success) return result; } return { success: true }; } } else { // 基本类型：检查是否均为字符串 return typeof obj1 === "string" && typeof obj2 === "string" ? { success: true } : { success: false, path: path || "root" }; } } // 判断是否为纯对象（字面量对象） function isPlainObject(value) { return Object.prototype.toString.call(value) === "[object Object]"; } // 主函数 const main = async () => { console.time("run main"); const inputFilePath = "./locales/zh.json"; // 输入的JSON文件路径 const outputFilePath = `output_${MODEL}.json`; // 输出的JSON文件路径 try { // 读取JSON文件 const jsonData = await readJsonFile(inputFilePath); // 翻译JSON内容 const translatedData = await translateJson(jsonData); // 将翻译后的内容写入新文件 await writeTranslatedJson(outputFilePath, translatedData); console.log( "翻译完成，结果是否存在遗漏项：", compareObjectsWithPath(jsonData, translatedData) ); console.log("翻译完成，结果已写入:", outputFilePath); } catch (error) { console.error("处理过程中出错:", error); } console.timeEnd("run main"); }; // 执行主函数 main();

7b

run worker window: 1:16.909 (m:ss.mmm) 翻译出错: window run worker contextMenu: 1:19.915 (m:ss.mmm) 翻译出错: contextMenu run worker autoUpdater: 1:24.182 (m:ss.mmm) run worker menu: 1:54.272 (m:ss.mmm) run worker openWindowWarn: 2:08.219 (m:ss.mmm) 翻译出错: openWindowWarn run worker contextMenu: 54.257s 翻译出错: contextMenu run worker createPreloadFileWarn: 1:05.595 (m:ss.mmm) 翻译出错: createPreloadFileWarn run worker window: 1:13.320 (m:ss.mmm) 翻译出错: window run worker openWindowWarn: 42.933s run worker renderer: 1:06.620 (m:ss.mmm) run worker contextMenu: 58.129s run worker createPreloadFileWarn: 51.205s run worker window: 1:10.067 (m:ss.mmm) 翻译出错: window run worker window: 17.583s 翻译出错: window run worker window: 16.479s 翻译出错: window run worker window: 53.783s 翻译完成，结果是否存在遗漏项： { success: false, path: 'menu' } 翻译完成，结果已写入: output_deepseek-r1:7b.json run main: 5:08.166 (m:ss.mmm) ![img_1.png](img_1.png) ---------------- run worker openWindowWarn: 27.835s 翻译出错: openWindowWarn run worker window: 47.317s 翻译出错: window run worker contextMenu: 1:00.365 (m:ss.mmm) 翻译出错: contextMenu run worker openWindowWarn: 42.320s run worker window: 1:00.580 (m:ss.mmm) 翻译出错: window run worker menu: 2:01.575 (m:ss.mmm) 翻译出错: menu run worker contextMenu: 1:05.158 (m:ss.mmm) run worker autoUpdater: 2:08.553 (m:ss.mmm) run worker createPreloadFileWarn: 1:41.123 (m:ss.mmm) run worker window: 1:28.518 (m:ss.mmm) 翻译出错: window run worker renderer: 1:46.725 (m:ss.mmm) run worker menu: 1:54.031 (m:ss.mmm) 翻译出错: menu run worker window: 57.867s run worker menu: 1:16.267 (m:ss.mmm) 翻译完成，结果是否存在遗漏项： { success: false, path: 'menu' } 翻译完成，结果已写入: output_deepseek-r1:7b.json run main: 5:11.880 (m:ss.mmm) ![img_2.png](img_2.png)

翻译结果

"window": { "willUnload": { "title": "What should you confirm before refreshing the current page?", "message": "the system might not save your changes", "unload_bt": "Reload", "cancel_bt": "Cancel" } },

14b

run worker window: 2:15.983 (m:ss.mmm) run worker contextMenu: 2:17.554 (m:ss.mmm) run worker autoUpdater: 3:02.960 (m:ss.mmm) run worker menu: 4:06.753 (m:ss.mmm) run worker openWindowWarn: 4:14.074 (m:ss.mmm) run worker createPreloadFileWarn: 2:04.443 (m:ss.mmm) run worker renderer: 2:21.099 (m:ss.mmm) 翻译完成，结果是否存在遗漏项： { success: true } 翻译完成，结果已写入: output_deepseek-r1:14b.json run main: 4:38.673 (m:ss.mmm) ------------------------ run worker autoUpdater: 1:34.068 (m:ss.mmm) run worker openWindowWarn: 1:57.715 (m:ss.mmm) run worker window: 2:09.907 (m:ss.mmm) run worker contextMenu: 2:14.214 (m:ss.mmm) run worker renderer: 1:38.631 (m:ss.mmm) run worker createPreloadFileWarn: 2:24.484 (m:ss.mmm) run worker menu: 4:16.409 (m:ss.mmm) 翻译出错: menu run worker menu: 2:00.482 (m:ss.mmm) 翻译完成，结果是否存在遗漏项： { success: true } 翻译完成，结果已写入: output_deepseek-r1:14b.json run main: 6:16.900 (m:ss.mmm)

翻译结果

"window": { "willUnload": { "title": "Confirm to refresh the current page?", "message": "The system may not save your changes.", "unload_bt": "Reload", "cancel_bt": "Cancel" } },

4.整体体验下来，14b 模型在翻译工作上比 7b 模型更为准确，一次性翻译成功率高。7B 模型翻译结果噪声多，返回结果可序列化效果差。翻译结果远远不如 14b。

结论

14b 在 macos 执行效率能满足特定业务场景要求

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！