DeepSeek R1 本地部署实战：用开源模型代替付费API

你有没有想过，每月花几十美元买API额度，其实可以用免费方案代替？

DeepSeek R1是深度求索发布的开源推理模型。它的逻辑推理能力很强，而且完全免费。你可以部署在自己的机器上，不花钱、不联网、数据完全私有。

下面我一步步教你怎么跑起来。

一、为什么选 DeepSeek R1？

1. 推理能力强

DeepSeek R1在数学、代码、逻辑推理方面的表现，接近甚至超过付费模型。它采用了强化学习训练，思考链质量很高。

2. 完全开源

模型权重公开，你可以下载到本地。没有使用限制，没有频率限制，想怎么用就怎么用。

3. 隐私友好

数据不出本地。敏感代码、商业机密、个人数据，你不用担心被第三方收集。

4. 成本为零

一次性部署，之后0成本。对比ChatGPT Plus每月20美元、Claude Pro每月20美元，省下的钱够买台好电脑了。

二、环境准备

推荐两种部署方式：Ollama（最简单）和 Docker（最灵活）。

方案一：Ollama 一键部署（推荐新手）

Ollama是一个本地运行大模型的工具，支持一键下载和运行。

步骤：

# 1. 安装Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 2. 启动Ollama服务
ollama serve

# 3. 下载DeepSeek R1模型（选择7B或14B版本）
ollama pull deepseek-r1:7b

# 4. 启动对话
ollama run deepseek-r1:7b

硬件要求：

方案二：Docker 部署（推荐进阶用户）

Docker方式更灵活，可以自定义参数，也适合服务器部署。

# 1. 拉取模型镜像
docker pull ollama/ollama:latest

# 2. 启动容器
docker run -d \
  --name deepseek-r1 \
  -v ollama:/root/.ollama \
  -p 11434:11434 \
  ollama/ollama:latest

# 3. 进入容器下载模型
docker exec -it deepseek-r1 ollama pull deepseek-r1:7b

# 4. 测试运行
docker exec -it deepseek-r1 ollama run deepseek-r1:7b

三、实际使用体验

编程任务

你：帮我写一个Python函数，输入一个列表，返回去重后的结果，保持原有顺序

DeepSeek R1：
当然！以下是使用字典保持插入顺序的实现方式：

```python
def unique_preserve_order(lst):
    """
    去重列表，保持原有顺序
    :param lst: 输入列表
    :return: 去重后的列表
    """
    return list(dict.fromkeys(lst))

# 测试
test_list = [3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5]
result = unique_preserve_order(test_list)
print(result)  # [3, 1, 4, 5, 9, 2, 6]

这个方法利用了Python 3.7+字典保持插入顺序的特性，时间复杂度O(n)，空间复杂度O(n)。

### 数学推理

你：证明1+2+3+…+n = n(n+1)/2

DeepSeek R1： 这是一个经典的等差数列求和问题，用数学归纳法证明：

基础步骤： 当n=1时，左边=1，右边=1×2/2=1，等式成立。

归纳步骤： 假设当n=k时等式成立，即： 1+2+…+k = k(k+1)/2

当n=k+1时： 1+2+…+k+(k+1) = k(k+1)/2 + (k+1) = (k(k+1) + 2(k+1))/2 = (k+1)(k+2)/2

等式对n=k+1也成立。由数学归纳法，对任意正整数n，等式成立。

### 代码解释

你：解释这段代码的逻辑

DeepSeek R1： 这段代码是一个快速排序的实现：

1. 基准选择：选择列表第一个元素作为pivot
2. 分区：将小于pivot的元素放左边，大于的放右边
3. 递归排序：对左右两部分分别递归排序
4. 合并：将排序后的两部分与pivot拼接

时间复杂度平均O(n log n)，最坏情况O(n²)（已排序列表）。

## 四、集成到开发工具

### VS Code 集成

安装 **Continue** 插件，配置使用本地Ollama：

```json
{
  "models": [
    {
      "title": "DeepSeek R1",
      "provider": "ollama",
      "model": "deepseek-r1:7b"
    }
  ]
}

Cursor 集成

在Cursor的设置里，添加自定义API：

• Base URL: http://localhost:11434
• API Key: 随便填（本地不需要）
• Model: deepseek-r1:7b

这样你就可以在Cursor里用DeepSeek R1了，完全免费。

五、常见问题

Q：本地运行慢怎么办？ A：可以尝试量化版本（Q4、Q5），速度快但精度略降。或者用14B模型换更好的效果。

Q：显存不够怎么办？ A：可以用CPU推理，速度会慢一些，但也能跑。或者用8GB显存的显卡，7B模型够用。

Q：怎么更新模型？ A：运行 ollama pull deepseek-r1:7b 会自动下载最新版本。

Q：能并发请求吗？ A：可以。Ollama支持多请求，但显存有限时会有性能下降。建议用批处理。

六、性能对比

七、下一步

本地部署AI模型，门槛比你想象的低。哪怕你只有一台普通笔记本，7B模型也能跑得动。

建议：

1. 先用Ollama试用，感受一下本地模型的能力
2. 如果效果好，可以考虑升级到14B或32B
3. 把本地模型集成到开发工具里，日常使用

省下的API费用，够你买好几本书了。

你现在用的什么AI工具？有没有想过本地部署？评论区聊聊。