Deepseek本地部署详细指南！从 Ollama 到个人知识库应用

丨作者：lushen 每个人都能拥有专属 AI 助手，安全高效，开启智能化知识管理新体验。

系统介绍

mbp pro

图片

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 bashsudo 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：

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

模型详情页复制安装命令ollama run deepseek-r1 

安装完成后在终端执行：

ollama run deepseek-r1# 执行后pulling manifestpulling 96c415656d37... 100% ▕██████████████▏ 4.7 GBpulling 369ca498f347... 100% ▕██████████████▏ 387 Bpulling 6e4c38e1172f... 100% ▕██████████████▏ 1.1 KBpulling f4d24e9138dd... 100% ▕██████████████▏ 148 Bpulling 40fb844194b2... 100% ▕██████████████▏ 487 Bverifying sha256 digestwriting manifestsuccess> > > 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

图片

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 ui3.1 chatbox

下载地址chatboxai.app

配置本地模型

进入设置页面

图片

选择 ollama api (本地部署)

配置本机地址，默认http://127.0.0.1:11434

图片

至此即可开启问答模式

3.2 Page Assist 浏览器插件 

安装地址Page Assist - 本地 AI 模型的 Web UI

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

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。

图片

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

修改配置后重启 docker

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                             14.9sError 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:langgenius/dify-sandbox:pull&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

访问http://localhost/（默认 80 端口） 进入 dify

首次进入初始化设置账号密码

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”。

图片

图片

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

图片

4.3 Dify 知识库创建

主页选择 知识库 -> 创建知识库 -> 上传知识 -> 等待处理完成

图片

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

图片

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]