DeepSeek使用指南：网页、Ollama本地部署与API接入全攻略

简介：DeepSeek的相关资料很多，但不少用户仍不清楚如何下载、选用模型或做本地部署。这份PDF上手即为零基础用户扫清障碍：从DeepSeek V3与R1两款模型讲起，既比较了各自的适用任务与成本差异，也直接给出了一套“按需选模型”的判断路径，普通用户读完后能快速确定自己该用官方入口、本地部署还是API方式。资料集中梳理了三种主流使用方式——官方网页与手机App适合追求完整效果的普通用户，Ollama本地蒸馏部署适合重视隐私的技术型用户，ChatBox客户端结合API密钥则适合有一定基础、希望在第三方平台灵活接入的开发者。全文实用细节占比较高，版本切换、安装命令、密钥配置等都写得很具体，还点出了R1模型成本高于V3这类容易被忽略的选型提醒。资源包封装为1个PDF，约311KB，内容紧凑、目录层级明显，适合快速翻查；目前已有365人学习，对有明确上手需求的AI初学者与开发者都有参考价值。

1. DeepSeek使用方法不只网页聊天：三套方案先分清 V3 和 R1 再动手

DeepSeek 使用方法看着简单，真上手还是有不少人卡住——下载入口在哪、V3 和 R1 到底该选哪个、本地部署的命令去哪找。最近帮两拨人搭环境，同一个问题反复出现：大家默认 DeepSeek 只有网页对话，却不知道它同时开放了官方在线、Ollama 本地部署、API 加客户端三条路。这三条路从零门槛到偏开发者，安装成本和效果差别不小，选错路轻则白折腾半天，重则把 34B 模型拉下来直接撑爆内存。这篇按我实际装过的方式，把每条路从选型到验证写清楚，照着走 10 分钟内至少能跑通一种。先别急着搜教程，把 V3 和 R1 的分工搞明白，后面每一步都会顺很多。

2. 官方网页与手机 APP：注册、登录、模型切换一次到位

2.1 为什么先推荐官方通道

官方在线版本是最省事的一条路，模型是完整满血版，不需要自己下载几十 GB 文件，也不占本地内存，效果在所有方案里最接近官方宣传水平。如果你只是日常问答、写点文案、偶尔让模型解释一段代码，官方网页版完全够用，而且目前免费，不需要绑卡也不用预充值。

但这条路也有明确的边界：所有对话都会经过官方服务器，内容是否敏感要自己掂量。对数据安全有顾虑、或者要在内网环境离线使用的，后面第 3 章的本地部署才是你的菜。人群上也分得清楚——网页版适合先体验、不想折腾的用户；本地部署适合开发者或隐私敏感用户；API 接入则适合要把模型集成到现有工具和业务系统里的人。三套方案不冲突，我自己的习惯是日常问答用网页，测试推理能力的时候切到本地或 API 环境。

2.2 网页版注册与首次对话

网页版入口是 DeepSeek 官网对话页，并没有单独的安装包这个概念，浏览器打开即用。首次登录需要用手机号、微信或邮箱注册一个账号，国内用户用 +86 手机号最方便，验证码几秒就到。注册完进入对话主页，界面相当简洁，中间是输入框，下方有模型选择的入口。

模型选择这里有一个容易被忽略的点：页面会明确区分 DeepSeek V3 和 DeepSeek R1，默认停在 V3。日常任务保持 V3 就好，它的综合能力覆盖绝大多数场景，响应也快；遇到逻辑推理题、代码调试、数学证明这类硬任务，再手动切到 R1。R1 在回答之前会先显示一段思考过程，回复明显更慢，这是它的工作方式——用更多计算换推理深度。不要因为慢就怀疑它卡住了，那是 R1 在“内部推理”的正常表现。

2.3 手机 APP 与多端同步

手机端有两种拿法：一种是在官网页面里找到“获取手机 APP”入口，扫二维码下载；另一种是直接在手机应用商店搜索 DeepSeek 下载。两种渠道拿到的客户端功能一致，不存在商店版阉割的问题。装完后用同一个账号登录，网页端的历史会话在手机上也能看到，多端同步不用额外配置。

手机端和网页版的体验基本一致，模型切换的位置也相同。有一点容易踩：手机上输入法有时会吞掉换行，粘贴比较长的代码片段时格式会乱。我一般会把代码先粘到备忘录再复制过来，或者在输入框里手动补一下换行。另外手机端适合应对碎片化提问，真要写长代码、做复杂推理，建议还是回到网页端，屏幕大一眼能看完整个思考链路。

3. Ollama 本地部署：从 1.5B 到 34B 的模型选型与安装

3.1 本地部署适合谁，为什么选 Ollama

本地部署的核心价值是数据和推理都在自己的机器上完成，对话内容不出电脑，不依赖外部服务。适合三类人：一是对隐私敏感的，公司代码片段、业务数据不敢往外发；二是网络环境受限的，内网机器访问不了外网服务；三是就想离线玩模型的，不想让对话记录留在别人服务器上。

选 Ollama 而不是直接去 Hugging Face 手动下载模型，原因很简单：Ollama 把模型管理、下载、运行、API 暴露这几个环节打包成了一两条命令，跨平台支持 Windows、macOS 和 Linux，还自带一个本地 API 端口，后面想接客户端也方便。需要明确的是，个人电脑跑不起 671B 的完整版，Ollama 上提供的是蒸馏版模型，规格从 1.5B 到 70B 不等，资源占用低但效果和完整版有差距。这个差距在简单任务上不明显，压在复杂推理上就体现出来了。

3.2 安装 Ollama 本体

Ollama 的安装入口在官网主页的 Download 按钮，它会自动识别你的操作系统给出对应的安装包。Windows 端是一个 exe 安装程序，双击后一路下一步，装完屏幕右下角会出现一个羊驼图标，代表 Ollama 服务已经在后台运行。这里有一个高频坑：装完后如果直接打开原来的命令行窗口输ollama，大概率提示“不是内部或外部命令”，必须重新打开一个新的终端窗口，让系统重新读取 PATH 环境变量。

macOS 端同样从官网下载，把应用拖进 Applications 目录就行。Linux 服务器上更简单，Ollama 官方提供了一键安装脚本，SSH 进去执行即可。无论哪个平台，装完后先在终端执行一次版本检查，确认命令真的可用再往下走。

ollama --version

这条命令用来验证 Ollama 是否安装成功。能正常输出版本号，说明命令路径没问题；如果提示找不到命令，先重开终端，不行再手动检查环境变量。

3.3 选型：DeepSeek R1 各规格的内存估算

Ollama 上 DeepSeek R1 提供了 1.5B、7B、8B、14B、34B、70B 等多个规格，初次尝试强烈建议从最小的 1.5B 起步，它的体积约 1.1GB，绝大多数电脑都能跑，哪怕只有 8GB 内存的老机器也带得动。先把流程跑通，再根据机器配置逐级升级，比一上来就拉 34B 然后把机器拖到卡死要明智得多。

上表是量化版模型的实际占用参考值，不同量化位宽会有浮动。内存建议按“模型占用加系统余量”估算，不要卡着下限买机器。我自己犯过的错误是在一台 8GB 内存的笔记本上直接拉 14B，结果模型加载到一半进程就被系统杀掉了，日志里全是 OOM 报错。从那以后我选规格都很保守，先小后大，跑不动再降。

3.4 拉取模型并进入对话

选好规格后在 Ollama 模型库里打开 deepseek-r1 对应的页面，选定 1.5B 版本，页面会自动生成一条 pull 命令，复制到终端执行。也可以用下面的命令手动拉取。

ollama pull deepseek-r1:1.5b

deepseek-r1是模型名，1.5b是版本标签，两者用冒号拼接。这条命令会把模型文件下载到本地，下载速度取决于网络情况，1.5B 通常在 5 分钟内能完成。磁盘空间建议预留模型体积的两倍，因为下载和解压过程中会有临时文件。

拉取完成后运行模型，直接进入交互对话模式：

ollama run deepseek-r1:1.5b

回车后终端会变成对话提示符，直接输入中文问题即可。输入/bye退出对话。这个交互模式适合快速验证模型能不能跑，但不适合长会话，终端里翻历史消息很痛苦。

3.5 升级到更大规格与清理旧模型

跑通 1.5B 之后，如果电脑配置允许，下一步一般是升到 14B。操作方式完全一样，只是把标签换成更大的规格：

ollama pull deepseek-r1:14b ollama run deepseek-r1:14b

这里有个细节：14B 和 1.5B 是两个独立的模型文件，同时存在会各占一份磁盘空间。如果确认不再需要小版本，用ollama rm删掉释放空间。

ollama rm deepseek-r1:1.5b

还有一个实用命令是ollama list，列出本地已下载的所有模型；ollama ps则显示当前已加载到内存的模型，排查内存占用时非常有用。每次切模型之前我都会先看一眼ollama list，确认要跑的版本确实已经下载完整。

3.6 修改模型默认存储位置

Windows 系统下 Ollama 默认把模型存在C:\Users\你的用户名\.ollama，C 盘空间紧张的话这是个隐患。解决办法是在安装之前就设置环境变量OLLAMA_MODELS指向其他磁盘：

setx OLLAMA_MODELS "D:\ollama_models"

设置完环境变量需要重开终端，之后再执行 pull，模型就会下载到 D 盘指定目录。注意：已经下载过的模型文件不会自动迁移，要先删除旧文件重新拉取，或者手动把.ollama里的 models 目录整个搬过去再改环境变量。最稳的顺序是先设置环境变量、再拉模型，从源头避开迁移问题。

4. API + 客户端接入：密钥管理与多客户端调用配置

4.1 API 方式的价值与前提

API 方式最大的好处是不用在自己电脑上跑模型，也不需要强大的硬件，只要程序或客户端带上密钥发起请求，云端就把推理结果返回给你。它适合两类场景：一是要把 DeepSeek 集成到自己的业务系统、聊天机器人、内部工具里；二是本地电脑性能太弱，跑不动大规格蒸馏版，但又想要接近完整版的推理效果。

这个方案的前提是有一定计算机基础，至少要能分清 API 密钥和登录密码的区别，知道密钥泄露意味着什么。原文里提到市面有 ChatBox、Cherry Studio、OneAPI、LobeChat、NextChat 等多种客户端可选，我这边用得比较顺的是 ChatBox，它的配置界面直观，手机上也能装。注意 API 调用是付费服务，R1 的单价明显高于 V3，后面专门说怎么控成本。

4.2 获取 API 密钥

以原文提到的国内平台硅基流动为例，注册账号后进入控制台，找到 API 密钥管理页面，创建一个新密钥。创建成功后密钥会完整显示一次，务必复制到本地保存，刷新页面后密钥原文不再可见，丢了只能重新生成。

密钥的保存有一个安全习惯：不要直接写在代码里，更不要提交到 Git 仓库。我见过不止一次有人在项目里硬编码密钥，结果代码一传到仓库就被人扒走，余额被刷光才后知后觉。正确做法是放进环境变量或单独的配置文件里，并加入.gitignore忽略。另外硅基流动和 DeepSeek 官方是两套独立的密钥体系，别把第三方平台的密钥拿去 DeepSeek 官网的接口用，认证大概率过不了。

4.3 ChatBox 客户端配置步骤

ChatBox 的安装在应用商店或官网都能完成，手机端和桌面端配置逻辑一致。装完后打开设置，在模型提供商一栏选择对应的服务商，例如硅基流动，然后把刚才复制的 API 密钥粘贴进去，保存即可。如果用的服务商不在预设列表里，也可以选 OpenAI 兼容格式手动填接口地址和模型名。

配置完成后，在对话界面顶部的模型下拉框里选择 DeepSeek R1 或 V3。这一步要特别注意：模型名必须和服务商平台上的标识一致，不同平台对 DeepSeek 模型的命名不完全相同，有的叫deepseek-chat，有的叫deepseek-ai/DeepSeek-R1。最稳的做法是在下拉列表里点选，而不是手动输入。手动手滑填错一个字符，接口立刻报错，而且报错信息不一定友好。

配置完先发一句“你好”做连通性测试，能正常回复说明密钥和接口都通了。接着再发一个有明确标准答案的数学题，确认模型真的在工作。这里有一个判断技巧：如果回复内容带有明显的思考过程、逐步推导，说明命中的是 R1；如果直接给结论，大概率还是 V3 在处理。

4.4 用 curl 直接验证 API 连通性

客户端配置失败的时候，先用命令行直接打 API 接口，能快速定位问题在客户端还是在密钥。以 DeepSeek 官方 API 为例，curl 验证方式如下：

curl https://api.deepseek.com/chat/completions \ -H "Authorization: Bearer sk-你的密钥" \ -H "Content-Type: application/json" \ -d '{"model":"deepseek-chat","messages":[{"role":"user","content":"你好"}],"stream":false}'

参数说明：Authorization头里的sk-你的密钥换成实际密钥；model字段deepseek-chat对应 V3，deepseek-reasoner对应 R1；messages是对话消息数组，stream设为false表示不要流式输出，方便看完整返回 JSON。如果返回内容里有choices字段，说明接口通了，问题确实出在客户端配置；如果返回401，就是密钥问题；返回404或400，多半是模型名或接口地址填错了。

4.5 成本监控与模型选择

API 是按时长和 token 计费的，R1 因为推理消耗大，单价高于 V3。控制成本的要点就两条：默认模型用 V3，只有明确需要强推理的任务才临时切 R1；定期检查账户用量和余额。硅基流动这类平台通常提供用量明细和余额提醒，建议把阈值设低一点，比如余额低于 10 元时短信提醒。

另外注意，客户端里的历史会话会反复携带上下文，长会话消耗的 token 远超你想象。我一般超过 20 轮对话就新开一个会话，避免上下文越滚越大、费用失控。这个习惯对 V3 和 R1 都适用，R1 尤其明显。

5. 避坑与排查：本地部署和 API 调用最常见的五个坑

5.1 ollama 命令提示“不是内部或外部命令”

现象：Windows 上装完 Ollama，打开命令行输入ollama，系统提示不是内部或外部命令。原因：安装程序没有把 Ollama 的安装路径写进系统 PATH 环境变量，或者终端窗口是在安装之前打开的，没有重新加载环境变量。解决：先关掉所有命令行窗口重新打开，多数情况下这一步就解决了。还不行就手动把路径加进去：Windows 默认安装目录在C:\Users\你的用户名\AppData\Local\Programs\Ollama，在系统环境变量的 PATH 中添加这个路径，保存后重开终端。验证方式是执行ollama --version能输出版本号。

5.2 拉取模型长时间卡住或失败

现象：ollama pull执行后进度条长时间不动，或者下载到一半报连接错误。原因：网络波动、与官方模型源之间的链路不稳定，也可能是磁盘空间不足导致写入失败。解决：先看本机网络是否正常，确定能访问外网再重试一次。错峰到凌晨下载通常成功率更高。磁盘方面预留模型体积两倍的空间，我遇到过 14B 模型下载到 90% 因磁盘写满中断，清理空间后重新 pull 才解决。

5.3 运行大模型直接闪退或 OOM

现象：执行ollama run deepseek-r1:14b后进程很快退出，或者系统弹窗提示内存不足。原因：物理内存撑不住模型加载。14B 模型推理需要约 9GB 内存，加上系统自身占用，16GB 内存的机器已经很紧张。解决：先关掉浏览器、IDE 等大内存应用再试；还是不行就换 7B 或 1.5B 规格。如果坚持要跑大模型，只能加物理内存或考虑用 API 方案。判断内存压力的命令是ollama ps，它能显示当前加载的模型。

5.4 API 报 401 认证错误

现象：ChatBox 里配置完密钥，发消息报错提示 unauthorized 或 401。原因：密钥复制时多带了空格、密钥已被删除或禁用、或者填成了另一个平台的密钥。解决：回控制台重新复制密钥，粘贴时留意首尾空格；确认密钥状态是启用；如果同时注册了多个平台，核对一下当前客户端选的是哪个服务商。我自己的排查顺序是先用 curl 直接打接口，排除客户端因素后再检查密钥本身。

5.5 以为切了 R1，实际还在用 V3

现象：客户端里选了 R1，但回答复杂逻辑题直接给结论、没有思考过程，结果明显不对。原因：模型下拉框里选的不是真正的 R1；或者服务商平台上模型标识变了，旧的模型名已经失效。解决：到模型下拉列表重新确认当前选中的项，不要相信之前记住的名字。验证方法是用一道需要多步推导的数学题测试，R1 的回复里会出现完整的推理分析和逐步计算过程，V3 倾向于直接给答案。这个测试最直观，比看文档靠谱。

6. 装完怎么验证：三路并行的跑通检查

官方网页版验证最直接，注册登录后连问三道题：一道事实题、一道带推理的数学题、一道简单的代码题。事实题看回复是否准确，数学题看 R1 的思考过程是否完整出现，代码题看模型生成的代码能否直接看懂。把同一个逻辑题分别丢给 V3 和 R1，如果 R1 的推理过程和最终答案明显优于 V3，说明模型切换生效了。

Ollama 本地部署的验证按三步走：先ollama list确认模型在本地，再ollama ps看模型是否成功加载到内存，最后直接在ollama run对话里问一道逻辑题。比如问“鸡和兔共 35 个头、94 只脚，各有多少只”，1.5B 版本可能算得不够稳，但能跑通并给出合理分析就说明环境没问题。重点是通过ollama ps确认内存占用正常，避免模型没加载就误判。

API 方式的验证分两层，先 curl 看接口是否返回正常 JSON，再回到客户端发一条消息看是否走通。两层都过了，说明密钥、模型名、接口地址三者都匹配。验证用的提示词别太简单，“你好”只能证明通了，证明不了模型在正确工作。我用的是“请计算 23 乘以 47，并把计算步骤写出来”——这类指令能逼出模型的推理过程，也最容易暴露模型选错的问题。

从那以后我每次装完大模型，都强制按“模型列表、内存占用、一轮推理对话”三步走一遍，确认模型真的在干活而不是白占资源。这个习惯帮我挡掉了至少三次装完才发现版本不对的尴尬。希望这篇能帮你少走点弯路。

本文还有配套的精品资源，点击获取