在当今数字化时代，人工智能技术蓬勃发展，大语言模型如 DeepSeek 展现出了强大的能力，能够为我们在工作、学习等诸多场景提供高效的帮助。对于一些对数据隐私有较高要求，或者希望在本地环境中充分利用硬件资源，实现更个性化、高效的模型应用的用户来说，将 DeepSeek 安装在本地电脑上是一个不错的选择。下面就为大家详细介绍在电脑上本地安装 DeepSeek 的完整流程。

一、安装前准备

（一）系统要求

MacOS：无论是 Intel 芯片还是 Apple silicon 芯片的 Mac 电脑均可支持。建议将系统更新至最新版本，以确保系统具备良好的稳定性和兼容性，为后续安装和运行 DeepSeek 提供可靠的基础。

Linux：支持 x86_64 或 arm64 架构。Ubuntu 24.04 是较为推荐的发行版，其他主流发行版理论上也可尝试安装，但可能需要根据实际情况对依赖进行额外的调整。

Windows：借助 Windows Subsystem for Linux (WSL 2)，Windows 10 及以上版本的系统可开启此功能。开启后，系统环境近似于在 Linux 环境下操作，方便后续进行安装相关的命令行操作。

（二）硬件要求

内存：最低需要 8GB 内存。然而，若想在使用 DeepSeek 时获得较为流畅的体验，建议配备 16GB 及以上的内存。尤其是在运行大型模型时，更大的内存能够有效减少卡顿现象，保证模型运行的稳定性。

存储：准备至少 10GB 的空闲空间，用于存放 DeepSeek 的模型文件。如果后续计划进行模型训练或处理大量数据，建议预留更多的存储空间，以满足不断增长的数据存储需求。

GPU：虽然并非必需硬件，但如果电脑配备了兼容的 GPU（如 NVIDIA 的部分型号），将能够大幅提升模型的推理速度。在处理复杂任务时，GPU 的并行计算能力优势将尤为明显，显著提高模型的运行效率。

（三）软件要求

终端工具：MacOS 和 Linux 系统自带终端，可直接用于执行命令。对于 Windows 系统使用 WSL 2 的情况，可在 “开始菜单” 中搜索安装的 Linux 发行版（如 “Ubuntu”）来启动终端，也可以通过 PowerShell 开启 WSL 2 环境。

基础工具：需要安装 Python 3.10 及以上版本，在安装过程中务必勾选 “Add Python to PATH” 选项，这样可以确保在系统的任何路径下都能方便地调用 Python。同时，确保系统中安装了 pip（Python 包管理工具，一般会随 Python 安装）和 Git（用于代码管理和获取资源）。

二、使用 Ollama 安装 DeepSeek

Ollama 是一个简便易用的工具，可帮助我们轻松在本地安装和管理大语言模型，下面介绍使用它安装 DeepSeek 的具体步骤。

（一）安装 Ollama

MacOS 系统：访问 ollama.ai 官网，点击下载 MacOS 应用程序。下载完成后，在 “下载” 文件夹中找到 ollama.zip 文件，解压该文件，然后将解压得到的 Ollama 图标拖移至 “应用程序” 文件夹。打开 “应用程序” 中的 Ollama，按照系统提示授予相应权限，完成命令行工具的安装。

Linux/Ubuntu 24.04/WSL（Windows）系统：打开终端，运行安装脚本curl -fsSL https://ollama.com/install.sh | sh 。安装完成后，执行ollama serve 命令启动 Ollama 服务。在终端输入 ollama --version ，若显示版本号（例如 ollama version 0.1.25），则表明 Ollama 已成功安装。

（二）下载和安装 DeepSeek - R1

检查模型是否在 Ollama 默认库中：在终端运行ollama list 命令，查看列表中是否有 deepseek - R1 模型。若列表中存在该模型，直接运行 ollama pull deepseek - R1 命令进行下载。下载所需时间取决于网络速度，请耐心等待。

手动设置（模型不在默认库时）：若在 Ollama 默认库中未找到 deepseek - R1 模型，可从 Hugging Face 或 DeepSeek 官方仓库获取 gguf 格式的 DeepSeek - R1 模型文件（例如 deepseek - R1.q4_k_m.gguf） 。将获取到的模型文件保存到指定文件夹（如～/models ）。在同一文件夹中，创建一个名为 modelfile 的文件，文件内容为 from./deepseek - R1.q4_k_m.gguf （注意：需根据实际下载的模型文件名进行修改）。最后，在终端运行ollama create deepseek - R1 -f modelfile 命令完成模型构建。

（三）运行 DeepSeek - R1

在终端输入ollama run deepseek - R1 命令，即可启动与 DeepSeek - R1 模型的对话。例如，输入 >> write a Python function to calculate fibonacci numbers. ，模型会根据输入进行处理并给出相应回答。

（四）验证安装（可选）

运行ollama list 命令，确认列表中出现 deepseek - R1 模型，这表明模型已成功安装在本地。此外，还可以使用不同的示例提示对模型进行测试，观察模型的推理速度和回答质量，检查是否满足个人使用需求。

（五）在 Web UI 中运行 DeepSeek

运行ollama web 命令启动 Ollama 的 Web UI，在浏览器中打开相应网址（通常为http://localhost:11434 ），即可在图形界面中与 DeepSeek 进行交互。Web UI 提供了更为直观方便的操作方式，无需在命令行中输入指令，降低了使用门槛。

三、其他安装方式简介

若不想使用 Ollama 安装 DeepSeek，也可通过 Python&Hugging Face、Docker、llama.cpp 等方式进行安装，但这些方式的安装过程相对更为复杂。

Python&Hugging Face：需要先安装 Python 以及 Hugging Face 相关库，安装完成后，还需从 Hugging Face 平台下载 DeepSeek 模型。在安装和下载过程中，需要仔细配置各种参数和依赖，对用户的技术能力有一定要求。

Docker：首先要安装 Docker 引擎，安装完成后，需编写容器配置文件，通过配置文件来指定 DeepSeek 模型的相关参数和运行环境。这种方式虽然可以实现环境的隔离和统一部署，但配置过程较为繁琐。

llama.cpp：该方式侧重于在 CPU 上对模型进行优化运行。安装时需要编译代码，并且要根据 CPU 的性能和特点配置运行参数，以达到较好的运行效果。整个安装过程涉及到代码编译和参数调优，具有一定的技术难度。

四、安装后的优化与注意事项

（一）性能优化

硬件加速：若电脑配备了 NVIDIA GPU，安装 CUDA Toolkit 和 cuDNN 库可以实现 GPU 加速。根据 GPU 型号和系统版本，从 NVIDIA 官方网站下载并安装对应的 CUDA Toolkit 和 cuDNN 库版本，安装完成后，在运行 DeepSeek 时，模型将自动调用 GPU 资源，提升运行速度。

模型量化：使用量化版本的 DeepSeek 模型，如带有q4_k_m后缀的模型（如 deepseek - R1:7b - q4_k_m）。量化模型在保持一定精度的同时，能够大幅减少内存占用，对于内存资源有限的电脑来说，是提升模型运行效率的有效方法。

（二）注意事项

文件路径：在安装和配置过程中，涉及到的文件路径应尽量避免使用中文和空格，以免在命令行操作或程序运行时出现路径识别错误的问题。

版本兼容性：确保安装的各软件版本之间相互兼容，如 Python 版本、深度学习框架版本以及 DeepSeek 模型版本等。不兼容的版本可能导致程序运行出错或无法正常运行。在安装前，查阅相关文档或社区论坛，了解推荐的版本组合。

数据备份：如果在本地使用 DeepSeek 处理重要数据，建议定期对数据进行备份。防止因硬件故障、软件错误或其他意外情况导致数据丢失。

通过以上步骤和注意事项，相信你能够顺利在本地电脑上安装 DeepSeek，并根据自己的需求进行优化和使用。在安装过程中，若遇到问题，可查阅相关技术文档或在技术社区中寻求帮助。

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​