简介

文章详细介绍了在本地搭建大模型系统的完整流程：安装配置Ollama跨平台工具，部署Deepseek模型（推荐14b版本），安装Chatbox和Page Assist交互UI，使用Dify构建知识库。通过翻译场景测试，证明14b模型在准确性和成功率上明显优于7b版本，能够满足特定业务场景需求，为用户提供安全高效的专属AI助手体验。

---

系统介绍

1. mbp pro
   

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# Linux安装（Ubuntu/Debian为例）$USER# 添加用户权限# 启动服务

1.2 服务验证

# 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：

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：

# 执行后forhelp

• mac 后台标识

  

• 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 ui

3.1 chatbox

1. 下载地址chatboxai.app
2. 配置本地模型

• 进入设置页面

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

至此即可开启问答模式

3.2 Page Assist 浏览器插件

1. 安装地址Page Assist - 本地 AI 模型的 Web UI
2. 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
3. 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。

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。clone# 进入 Dify 源代码的 Docker 目录cd# 复制环境配置文件

2.启动 Docker 容器（需要先安装 D ocker）

# 如果版本是 Docker Compose V1，使用以下命令：# 正常返回

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

1. 修改配置后重启 docker
2. 办公网环境下

"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 "": Get "": 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

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”。

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

4.3 Dify 知识库创建

1. 主页选择 知识库 -> 创建知识库 -> 上传知识 -> 等待处理完成

   

2. 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

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

"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"

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

"fs""axios"return"utf8"ifelse"deepseek-r1:14b"let${key}"http://localhost:11434/api/generate"'deepseek-r1:7b'"key1""翻译后的文本1""key2""翻译后的文本2""""${JSON.stringify(text)}"""false${key}"</think>"""'response.data.response:'return"翻译出错:"returnletwhileifbreakreturnreturn"utf8"ifelsefunction""ifreturnfalse"root"if"object"ifreturnfalse"root"ififreturnfalse"root"forlet${path}${i}ifreturnreturntrueelseifreturnfalse"root"ifreturn"string""string"truefalse"root"ifreturnfalse"root"for${path}${key}ifreturnfalseifreturnreturntrueelsereturn"string""string"truefalse"root"functionreturn"[object Object]""run main""./locales/zh.json"${MODEL}"翻译完成，结果是否存在遗漏项：""翻译完成，结果已写入:""处理过程中出错:""run main"

7b

false'menu'false'menu'

翻译结果

"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

truetrue

翻译结果

"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。

六、如何系统的学习大模型 AI ？

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。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】