简介：这份PDF教程面向希望在个人电脑上搭建私有AI环境的开发者与小型企业用户，重点解决DeepSeek本地部署中安装路径受限、配置门槛高的问题。教程以ollama为运行基础，完整覆盖环境变量修改、模型存储位置迁移、访问权限开放与防火墙端口放行等关键环节，并给出1.5b至70b不同规模模型的安装命令与硬件选型建议，最后借助Chatbox将命令行交互升级为可视化聊天界面，兼顾数据安全与使用便利。资源包共1个PDF文件，约802KB，篇幅精炼但步骤完整，适合作为一次性配置手册随查随用。目前已有1531人学习，对于想低成本体验本地大模型、又缺乏运维经验的新手而言，具备较强的实操参考价值。
1. 本地跑 DeepSeek：为什么我劝你先别急着装模型
上周有个做后端的朋友找我，说想在自己那台 16GB 内存的笔记本上跑个私有 AI，问我是不是得先买张显卡。我让他先别下单，打开命令行敲了三条命令，二十分钟后他已经在浏览器里跟模型聊上了。这件事让我意识到，很多人对「本地部署 DeepSeek」的想象还停留在需要一堆 CUDA 配置和显存计算的阶段，实际上用 Ollama 这套方案，门槛已经低到一台普通 Windows 机器就能起步。
这份教程解决的就是这件事：把 DeepSeek-R1 装到你自己的电脑上，模型文件放非 C 盘，配一个可视化聊天界面，全程不碰命令行也能用。适合两类人——一类是对数据隐私有要求、不想把文档传到在线服务的从业者；另一类是手里有台闲置机器、想先跑通再决定要不要投入更多硬件的新手。下面我按自己实际拆装的顺序，把每一步的参数、坑和验证方法讲清楚。
2. 装 Ollama 之前：路径、端口和环境变量怎么定
Ollama 的角色类似一个模型运行时，你给它一个模型名，它负责下载权重、加载推理、暴露本地接口。Windows 安装包默认把程序装进 C 盘用户目录，模型文件也默认落在 C 盘，这是第一个必须提前处理的问题——DeepSeek-R1 的 7B 量化版本解压后接近 5GB，14B 要十几 GB，C 盘空间不够会直接卡在下载中途。
2.1 三个环境变量的作用与取值
安装完 Ollama 后先别急着拉模型，打开系统环境变量设置，在用户变量里加三条。这三条分别控制模型存储位置、跨域访问和监听地址，缺一条后面 Chatbox 就连不上。
| 变量名 | 建议值 | 作用 |
|---|---|---|
| OLLAMA_MODELS | D:\ollama\models | 模型权重落盘位置，改到非系统盘 |
| OLLAMA_ORIGINS | * | 允许浏览器端跨域请求本地接口 |
| OLLAMA_HOST | 0.0.0.0:11434 | 监听所有网卡，端口保持默认 |
设置完记得在 D 盘手动建好对应文件夹，变量值里的路径必须真实存在，否则 Ollama 启动时会静默回退到默认目录，你以为改成功了其实没有。改完环境变量必须重启电脑，只重启 Ollama 进程不够，Windows 的服务启动时机早于用户变量加载，这是很多人配完发现不生效的直接原因。
2.2 防火墙放行 11434 端口
Ollama 默认监听 11434，Windows 防火墙默认会拦入站连接。搜索「高级安全 Windows Defender 防火墙」，进「入站规则」新建规则，选端口、TCP、特定本地端口填 11434，动作选允许连接，配置文件三个都勾上，命名随意。这一步不做的话，本机命令行能跑，但 Chatbox 走 HTTP 请求会被挡，表现就是界面里模型列表一直空着。
提示：如果你改过 OLLAMA_HOST 的端口号，防火墙规则里的端口要同步改，两边不一致是最常见的「明明配了却连不上」。
2.3 验证 Ollama 是否真的按你的配置在跑
重启后在命令行执行下面几条，逐条看返回，不要只看第一条有输出就以为万事大吉。
# 确认 ollama 可执行且服务在运行 ollama --version # 查看当前生效的模型目录（应指向你设置的 D 盘路径） ollama list # 确认监听地址和端口 netstat -ano | findstr 11434ollama list在还没拉模型时返回空表是正常的，但它能正常返回就说明服务起来了。netstat那条要看到0.0.0.0:11434处于 LISTENING，如果显示的是127.0.0.1:11434，说明 OLLAMA_HOST 没生效，回去检查变量名有没有拼错、是否加在了系统变量而非用户变量、以及有没有重启。
3. 拉取 DeepSeek-R1：模型规格怎么选、命令怎么下
模型规格的选择直接决定体验。教程里给的 1.5B 到 70B 是参数量，参数量越大推理能力越强，但对内存和显存的要求也越高。量化后的模型文件大小大致是参数量的 0.6 到 0.7 倍 GB 数，也就是说 7B 大约 4 到 5GB，14B 大约 9 到 10GB，32B 要 20GB 上下。这里有个血泪经验：模型能不能跑起来看的是可用内存加显存的总和，不是单看显存，Ollama 会自动做 CPU 与 GPU 的混合卸载，但卸载到 CPU 的部分速度会明显下降。
3.1 按硬件配置对号入座
| 模型规格 | 文件体积参考 | 内存建议 | 实际体验 |
|---|---|---|---|
| deepseek-r1:1.5b | 约 1.1GB | 8GB 可跑 | 响应快，复杂推理偏弱 |
| deepseek-r1:7b | 约 4.7GB | 16GB 流畅 | 日常问答够用 |
| deepseek-r1:8b | 约 5GB | 16GB 略卡 | 与 7B 差距不大 |
| deepseek-r1:14b | 约 9GB | 32GB 推荐 | 推理质量明显提升 |
| deepseek-r1:32b | 约 20GB | 64GB 或大显存 | 消费级机器偏吃力 |
16GB 内存的机器我一般建议先上 7B，8B 在同内存下会稍显卡顿，两者能力接近，没必要为了版本号硬上。存储盘至少留出模型体积两倍的空间，下载过程有临时文件，空间刚好卡线容易失败。
3.2 下载与首次运行
# 拉取并直接进入对话，首次会自动下载权重 ollama run deepseek-r1:7b # 如果只想下载不进入对话，用 pull ollama pull deepseek-r1:7b # 查看已安装模型及其精确名称 ollama listollama run第一次执行会显示下载进度条，走完后出现Send a message (/? for help)就说明模型加载成功，可以直接输入问题。这里有个容易翻车的点：ollama list里显示的名称可能带后缀，比如deepseek-r1:7b后面跟一串哈希，后续在 Chatbox 里选模型或者写脚本调用时，要用list里完整显示的那个名字，照抄不要自己简写。
注意：下载中断后重新执行
ollama run会续传，但如果中途改过 OLLAMA_MODELS，已下载的部分会留在旧目录，新目录里重新从零开始，白白浪费流量。
3.3 命令行下的基本用法与退出
进入对话后直接打字提问，/?看帮助，/bye退出。多行输入用三个双引号包裹。这个命令行界面适合验证模型是否正常，不适合日常使用——不能方便地复制长回答，也没法管理多轮会话历史，所以下一步要接图形界面。
4. 接上 Chatbox：可视化界面配置与联调排查
Chatbox 是一个本地客户端，通过 HTTP 调用 Ollama 暴露的接口，把命令行交互换成聊天窗口。安装时有个细节教程里提到了但我再强调一遍：安装向导里选「所有用户」而不是「仅为我安装」，后者会把程序装进当前用户目录，换账户登录后找不到，也影响后续可能的服务化调用。
4.1 配置本地模型连接
启动 Chatbox 后选「使用自己的 API Key 或本地模型」，模型提供方选 Ollama API。地址栏填http://127.0.0.1:11434，如果你改过端口就换成实际端口。点「重置」或「获取模型列表」，正常情况下下拉框里会出现ollama list里的模型名，选中保存即可。
API 类型：Ollama API 接口地址：http://127.0.0.1:11434 模型名称：deepseek-r1:7b（与 ollama list 输出一致）保存后进入聊天界面，发一句「你好」测试。第一次响应会慢几秒，因为模型要从磁盘加载进内存，之后常驻会快很多。如果模型下拉框为空，按这个顺序排查：Ollama 进程是否在跑、netstat是否监听 0.0.0.0、防火墙 11434 是否放行、OLLAMA_ORIGINS 是否为*。这四步覆盖了九成以上的连接失败。
4.2 文档上传与本地检索的边界
Chatbox 支持上传文档、图片、网页链接做对话。需要说清楚的是，文档上传后的处理是在客户端侧做文本提取再拼进上下文，受模型上下文窗口限制，超长文档会被截断，不是真正的向量检索。拿它分析一份几十页的 PDF，靠后的内容可能根本没进模型视野。要处理长文档，得另配检索方案，这已经超出这份教程的范围，但知道这个边界能避免你对结果产生错误预期。
4.3 每次使用前的前置检查
Chatbox 本身不启动 Ollama，它只是个客户端。电脑重启后 Ollama 服务可能没自动起来，表现就是 Chatbox 里发消息一直转圈或报连接错误。习惯做法是每次开工前先在命令行敲一下ollama list，有返回就说明服务在，没有就手动启动 Ollama 再开 Chatbox。这个动作花三秒，能省掉一堆「昨天还好好的今天怎么坏了」的困惑。
5. 避坑清单：五个我实际踩过的坑
现象：环境变量配完，模型还是下到了 C 盘。原因：变量加在了系统变量区但当前用户变量区有同名旧值，或者路径文件夹不存在导致回退。解决：用户变量和系统变量都检查一遍，确保 D 盘目录已手动创建，改完重启而非只重启进程。
现象：Chatbox 模型列表始终为空。原因：防火墙没放行 11434，或 OLLAMA_HOST 仍是默认的 127.0.0.1。解决：netstat确认监听地址，防火墙入站规则补上 TCP 11434，三个配置文件全勾。
现象：模型能跑但回答到一半卡死。原因：内存不足触发频繁换页，Ollama 在 CPU 和 GPU 之间反复卸载。解决：换小一号的模型，或关闭其他占内存的程序，任务管理器里看提交内存是否接近上限。
现象：下载到 90% 失败，重试又从零开始。原因：中途改过 OLLAMA_MODELS 或磁盘空间不足导致临时文件被清。解决：确认目标盘剩余空间大于模型体积两倍，下载期间不要动环境变量。
现象：Chatbox 上传长文档，回答只覆盖开头部分。原因：上下文窗口截断，不是检索增强。解决：把文档拆成小段分批提问，或对关键段落单独提问，不要指望一次喂完整本。
6. 进阶：用 API 把本地模型接进自己的脚本
图形界面适合聊天，但如果你想把本地 DeepSeek 嵌进自己的工具链——比如批量处理文本、做自动化摘要——直接调 Ollama 的 HTTP 接口更灵活。它兼容 OpenAI 风格的/api/chat端点，用 Python 的 requests 几行就能跑通。
import requests, json # 本地 Ollama 默认接口，模型名与 ollama list 输出保持一致 url = "http://127.0.0.1:11434/api/chat" payload = { "model": "deepseek-r1:7b", "messages": [ {"role": "user", "content": "用三句话解释什么是量化"} ], "stream": False # 关闭流式，一次性拿完整结果，便于程序处理 } resp = requests.post(url, json=payload, timeout=120) data = resp.json() print(data["message"]["content"])stream设为 False 时接口等模型生成完再返回，适合脚本批处理；设为 True 会逐块返回，适合做打字机效果。timeout要给足，7B 模型在纯 CPU 上生成几百字可能要几十秒，超时设太短会误判为失败。批量调用时注意串行发送，Ollama 对并发请求的处理是排队，同时发多个反而更慢。
验证接口是否通，可以先curl http://127.0.0.1:11434/api/tags看返回的模型列表，能拿到 JSON 就说明服务正常，再跑上面的脚本。这套接口也是很多本地 AI 工具对接 Ollama 的通用方式，摸清一次，后面换任何前端都能自己接。
从那以后我每次帮人配本地模型，都强制先跑一遍「环境变量—端口监听—接口连通」这三步验证，再谈模型效果。顺序反了，后面所有问题都会混在一起，分不清是配置错还是模型弱。希望帮到你。
本文还有配套的精品资源，点击获取
