以下为基于本地部署DeepSeek并实现API调用的完整操作方案，涵盖环境配置、服务部署及接口调用全流程：

‌一、环境准备与模型部署‌

1. ‌工具选择与安装‌

   • ‌Ollama‌（推荐）：轻量级本地模型管理工具，支持一键部署‌12

   # 下载Ollama客户端（Windows示例）
   # 官网地址：https://ollama.com/
   # 或通过网盘获取安装包‌:ml-citation{ref="2" data="citationList"}
   

   • ‌LM Studio‌：可视化工具，适合非开发者用户‌3

   # 下载地址：https://lmstudio.ai/
   # 或直接获取Windows版本‌:ml-citation{ref="3" data="citationList"}
   

2. ‌模型下载与加载‌

   • 通过Ollama命令行下载DeepSeek R1模型‌12

   ollama run deepseek-r1:7b  # 根据硬件选择1.5B/7B/20B版本‌:ml-citation{ref="2" data="citationList"}
   

   • 或通过LM Studio手动加载离线模型文件（需二级目录存储）‌3

‌二、API服务配置‌

1. ‌启动本地API服务‌

   • ‌Ollama默认端口‌：11434

     # 在LM Studio设置中启用服务，测试接口：
     curl http://localhost:8088/v1/models  # 返回模型列表‌:ml-citation{ref="3" data="citationList"}
     

   • ‌LM Studio自定义端口‌（如8088）

     API地址：http://localhost:11434/v1
     模型名称：deepseek-r1:7b‌:ml-citation{ref="2" data="citationList"}
     

2. ‌第三方客户端集成‌

   • ‌Cherry Studio‌：配置API端点快速调用‌12

     API地址：http://localhost:11434/v1 模型名称：deepseek-r1:7b‌:ml-citation{ref="2" data="citationList"}

   • ‌Chatbox‌：支持自定义HTTP请求头与流式响应‌1

‌三、API调用示例（Python）‌

import requests

# 请求参数配置
url = "http://localhost:11434/api/generate"
headers = {"Content-Type": "application/json"}
data = {
    "model": "deepseek-r1:7b",
    "prompt": "如何优化服务器性能？",
    "stream": False  # 设置为True启用流式响应
}

# 发送请求并解析结果
response = requests.post(url, json=data, headers=headers)
if response.status_code == 200:
    print(response.json()["response"])
else:
    print(f"请求失败，状态码：{response.status_code}")

注：需安装requests库，支持文本补全、对话生成等任务‌23

‌四、注意事项‌

1. ‌数据安全‌
   • 本地部署确保数据不外传，适用于医疗、政务等敏感场景‌45
2. ‌硬件需求‌
   • GPU显存建议≥16GB（7B模型），CPU模式性能较低‌34
3. ‌模型选择‌
   • 根据场景选择1.5B（轻量级）或7B/20B（高精度）版本‌12
4. ‌更新维护‌
   • 定期通过ollama pull deepseek-r1:7b更新模型‌2

流程图解

通过以上流程，可在10分钟内完成本地部署并实现API调用，满足私有化场景的智能化需求‌12。