DeepSeek本地部署详细指南！从 Ollama 到个人知识库应用

作者：lushen一、系统介绍mbp pro：二、Ollama 安装与配置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：复制2. 服务验证复制出现上述则表示安装成功，可浏览器访问http://localhost:11434/验证。

作者：lushen

一、系统介绍

mbp pro：

二、Ollama 安装与配置

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：

复制

# 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

2. 服务验证

复制

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。

三、Deepseek 模型部署

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：

复制

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

DeepSeek本地部署详细指南！从 Ollama 到个人知识库应用

win 后台标识见任务栏托盘区

2. 模型验证测试

运行交互式对话测试：

复制

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）

四、安装交互 ui

1. chatbox

(1) 下载地址chatboxai.app

(2) 配置本地模型

进入设置页面

DeepSeek本地部署详细指南！从 Ollama 到个人知识库应用

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

DeepSeek本地部署详细指南！从 Ollama 到个人知识库应用

至此即可开启问答模式。

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。

DeepSeek本地部署详细指南！从 Ollama 到个人知识库应用

五、Dify 知识库搭建

参考文档地址Docker Compose 部署

1. 环境准备

(1) 拉取源代码，准备环境

复制

# 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）

复制

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

复制

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）

复制

{
  // ...
  "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"
  ]
}

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”。

DeepSeek本地部署详细指南！从 Ollama 到个人知识库应用

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

DeepSeek本地部署详细指南！从 Ollama 到个人知识库应用

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

DeepSeek本地部署详细指南！从 Ollama 到个人知识库应用

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。

DeepSeek本地部署详细指南！从 Ollama 到个人知识库应用

六、应用测试

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

复制

// 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

复制

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：

复制

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：

复制

"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：

复制

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：

复制

"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。

DeepSeek本地部署详细指南！从 Ollama 到个人知识库应用

一、系统介绍

二、Ollama 安装与配置

1. 跨平台安装指南

2. 服务验证

三、Deepseek 模型部署

1. 模型下载与加载

2. 模型验证测试

四、安装交互 ui

1. chatbox

2. Page Assist 浏览器插件

五、Dify 知识库搭建

1. 环境准备

2. Dify 创建聊天

3. Dify 知识库创建

六、应用测试

1. 翻译场景

结论

相关资讯

使用 DeepSeek R1 和 Ollama 搭建一个 RAG 系统（包含完整代码）

本地部署DeepSeek就这么简单...

Deepseek本地部署，培养自己的独有的AI伴侣！