企业官网建设流程全解析

直接开门见山。很多人一看这个标题，以为 DeepSeek 是像微信、QQ 那样，在 Windows 上找个 exe 双击一下就能装好的软件。真不是这样。DeepSeek 目前的使用形态有三条路：网页直接用、API 接入工具、本地部署大模型权重。只有第三条路严格意义上叫“安装”，也是网上搜索量最大、踩坑最多的一条。这篇文章我就把三条路全部梳理一遍，重点放在第三条路的完整实操上，从环境准备到模型下载，再到接入 VSCode、Codex 这些日常工具，最后附上我实际踩过的坑和排查方法。

1. 先搞清楚你要装的是什么

在动手之前，必须先弄明白一个问题：DeepSeek 不是一个“应用程序”，而是一个大语言模型。它有两种存在形式：一是官方托管的在线服务，你通过网页或 API 访问；二是开源出来的模型权重文件，你需要下载到自己的电脑上，再用推理框架加载运行。这两种形式的“安装”方式完全不同。

1.1 三条路径的选型分析

我把三条路径的适用人群和优劣列个表，你先对号入座，再往下看。

我的建议是：如果你只是想体验一下 DeepSeek 的能力，直接去官网用网页版，别折腾本地部署。但如果你是开发者，或者想把 DeepSeek 接入到 VSCode、Codex、自己写的脚本里，那 API 和本地部署都值得搞。本地部署最大的价值是隐私和免费，但前提是你得有一台配置还过得去的电脑。

1.2 硬件门槛，先泼盆冷水

本地部署 DeepSeek 不是下载个程序那么简单，你下载的是几十个 GB 的模型文件，然后需要 GPU 或 CPU 来跑推理。这里给你一个参考标准：

• 纯 CPU 推理：能跑，但速度慢。7B 参数量的小模型，每秒能跑几个 token 就算不错，14B 以上基本是煎熬。适合应急体验，不适合日常用。
• GPU 推理（NVIDIA 显卡）：这是正路。显存 6GB 以上可以流畅跑 7B 模型，12GB 以上能跑 14B，32GB 以上才能比较舒服地跑 32B 模型。显存不够就得靠量化版模型硬撑。
• 内存：至少 16GB，建议 32GB。模型加载到内存和显存的机制不一样，但内存太小会直接导致加载失败。

如果你电脑配置比较差，也不是不能玩，但你要管理好预期——把目标定在跑通 7B 或 14B 的量化版模型上，别一上来就想跑满血版。后面我会讲怎么选模型。

2. 安装前的准备工作

在正式安装之前，建议把环境理顺。这里说一句实话：在 Windows 上玩本地大模型，原生环境体验很差，强烈建议先装 WSL。WSL（Windows Subsystem for Linux）可以让你在 Windows 里跑一个真正的 Linux 子系统，绝大多数 AI 推理框架都是优先支持 Linux 的，你在 WSL 里操作会顺手得多。

2.1 开启 WSL 和 Windows Terminal

开启 WSL 其实只要一条命令。以管理员身份打开 PowerShell 或 Windows Terminal，执行：

wsl --install

这条命令会自动完成三件事：启用 WSL 功能、安装默认的 Ubuntu 发行版、安装 WSL2 内核。装完重启电脑，就有一个 Ubuntu 环境可用了。

重启之后，建议把 Windows Terminal 设为默认终端。这个工具比原来的 cmd 和 PowerShell 好用太多，支持多标签页、自定义主题、分屏，而且 WSL 集成得非常自然。在 Microsoft Store 里搜索 Windows Terminal 安装即可，免费。

如果你不想用 WSL，坚持在原生 Windows 环境跑，也可以，但后面很多排查方法可能对不上号，因为大部分踩坑经验都默认 WSL 环境。这里我建议按 WSL 路线走。

2.2 装好 Git 和基础工具

在 WSL 里，先把基础工具链装好：

sudo apt update && sudo apt upgrade -y sudo apt install git curl wget python3 python3-pip build-essential -y

Git 用来拉取开源项目代码，curl 和 wget 用来下载文件，Python 是很多 AI 工具链的运行时基础。这些都是后面少不了的。

另外，如果你还需要在 Windows 原生侧做开发，Git for Windows 也建议装一个，直接从官网下载安装包，一路下一步就行。这个工具在后续拉取模型仓库时会用到，虽然 WSL 里的 Git 也能用，但 Windows 侧的文件操作效率更高。

3. 本地部署实操：Ollama + DeepSeek

现在开始动真格的。本地部署大模型的方案其实有好几个，比如Ollama、LM Studio、vLLM、llama.cpp。对于普通用户和大多数开发者，我最推荐 Ollama。原因有三个：安装简单、命令管理模型方便、对 Windows 友好。

3.1 为什么选 Ollama

Ollama 把大模型的下载、加载、推理、API 暴露全部封装成了一层极简的命令行接口。你不需要关心模型权重文件放在哪里，不需要手动配置推理框架，不需要折腾 GPU 驱动和 CUDA（至少大部分情况下不需要）。你要做的只是两件事：告诉 Ollama 你要哪个模型，然后运行它。

对比一下各个方案你就明白了：

对于“在 Windows 上安装 DeepSeek 的完整指南”这个需求，Ollama 就是最合适的答案。

3.2 安装 Ollama 并下载 DeepSeek 模型

Ollama 官方提供了 Windows 原生安装包，也支持 Linux。如果你按我前面说的装了 WSL，其实有两种安装方式：

方式一：Windows 原生安装（适合不想进 WSL 的）

去 Ollama 官网下载 Windows 安装包，双击安装。装完以后，Ollama 会作为一个后台服务运行，你在 CMD 或 PowerShell 里就能敲ollama命令。

方式二：WSL 内安装（推荐）

在 WSL 终端里执行：

curl -fsSL https://ollama.com/install.sh | sh

这是官方提供的一键安装脚本，装完以后直接用。

无论哪种方式，装完验证一下：

ollama --version

能看到版本号就说明安装成功。

接下来是下载 DeepSeek 模型。DeepSeek 官方开源了多个规模的模型，在 Ollama 上都有对应的 tag。常用的几个：

# 最小版本，CPU 也能跑，适合尝鲜 ollama run deepseek-r1:1.5b # 均衡版本，显存 6GB 以上可以跑 ollama run deepseek-r1:7b # 效果更好，推荐显存 12GB 以上 ollama run deepseek-r1:14b

注意，ollama run这个命令会先自动下载模型，下载完直接进入交互式对话界面。你可以直接在里面提问，比如输入“你好”，模型会开始回复。如果只是想下载不进入对话，可以用ollama pull deepseek-r1:7b。

模型文件大小和硬件需求的对应关系，我用实际数据说下：

你可能会问：“网上说的 DeepSeek-R1 满血版 671B 为什么没列出来？”那个版本光模型文件就要一千多 GB，不是普通个人电脑能跑的，别想了。

3.3 启动 API 服务，供其他工具调用

Ollama 启动后，默认会自动在http://localhost:11434上暴露一个 API 服务。也就是说，你在 Ollama 里跑起一个模型后，本机的其他程序可以直接通过 HTTP 请求去调用这个模型。

验证一下 API 是否可用，在浏览器或命令行访问：

curl http://localhost:11434

会返回Ollama is running，说明服务正常。

接下来你就可以用任何支持 OpenAI API 格式的工具去连接它了。这里有个关键点：Ollama 的 API 兼容 OpenAI 的接口格式，所以很多原本对接 OpenAI 的工具，只需要把地址改成本地地址就能用。DeepSeek 官方 API 的地址是https://api.deepseek.com，本地 Ollama 的地址是http://localhost:11434/v1，这就是“接入”的本质——换 base URL 而已。

4. 把 DeepSeek 接入日常工具

模型跑起来了，API 服务也通了，接下来就是重头戏：把它接到你日常使用的工具里。这里我讲三个最常见的接入场景：VSCode 编程辅助、OpenAI Codex 命令行、以及自己写 Python 脚本调用 API。

4.1 VSCode 接入 DeepSeek

VSCode 是目前最主流的代码编辑器，接 AI 编程助手基本是刚需。常见的接入方式是安装 Continue 或 Cline 这类插件。

以 Continue 为例，打开 VSCode 扩展市场，搜索“Continue”，安装后进入设置界面。你需要配置一个模型提供商，选择“Ollama”或者“OpenAI-compatible API”，然后填写：

• API Base URL：http://localhost:11434/v1
• Model：deepseek-r1:7b（或你下载的模型名）

配置完成后，在 Continue 插件面板里选中这个模型，就可以开始对话了。你在写代码的时候，选中一段代码让 AI 解释、补全、找 bug，它都是在本地调用的，数据不会出机器。

如果你用 Cline，配置方法类似，也是填 base URL 和模型名。这里有个小技巧：如果你的 Ollama 里跑的是代码专用的模型（比如 deepseek-coder 系列的变体），在 VSCode 里的表现会比通用对话模型好很多。DeepSeek 本身就偏代码推理，在代码场景下体验不错。

4.2 Codex 接入 DeepSeek

Codex 是 OpenAI 开源的命令行编程代理工具，它可以读取整个项目上下文、自动改代码、执行命令，甚至自己提交代码。它默认支持的是 OpenAI 的 API，但 OpenAI 的账号和付费对很多人来说是个坎，所以接 DeepSeek 就成了一个热门玩法。

Codex 的配置方式不复杂。它支持通过环境变量或配置文件指定 OpenAI 兼容的 API 地址。在 Windows 上，你可以用以下方式设置环境变量：

$env:OPENAI_BASE_URL = "http://localhost:11434/v1" $env:OPENAI_API_KEY = "ollama" # 本地服务不校验 key，随便填一个

然后启动 Codex，它会用这个地址去访问“OpenAI 兼容 API”，而背后接的就是本地跑着的 DeepSeek。如果你用的是硅基流动这类第三方服务商，把 base URL 换掉、key 换成自己的就行。

这里要特别注意：本地 Ollama 跑模型的速度决定 Codex 的实际体验。Codex 这类代理工具会进行多轮推理、工具调用，每一轮都要等待模型输出，如果模型推理速度太慢，整个流程会变得很煎熬。所以如果你要用 Codex + DeepSeek 本地部署，至少跑 14B 以上的模型才有点实用价值。

4.3 Python 脚本调用 API

如果你有自己的脚本和自动化需求，用 Python 调用 Ollama 的 API 是最灵活的方式。可以用官方的openaiPython SDK，因为接口是兼容的：

from openai import OpenAI client = OpenAI( base_url="http://localhost:11434/v1", api_key="ollama", # 本地服务不校验，随便填 ) response = client.chat.completions.create( model="deepseek-r1:7b", messages=[ {"role": "system", "content": "你是一个靠谱的助手。"}, {"role": "user", "content": "用一句话说明什么是大语言模型。"} ], stream=False, ) print(response.choices[0].message.content)

这个脚本的本机和远端 API 都能跑，区别只在 base_url 和 api_key。也就是说，你写的代码不需要改动逻辑，只要切换配置就能从本地模型切换到官方 DeepSeek API 或者其他服务商。这对开发来说非常友好。

如果你不想依赖openai这个第三方库，直接用 Python 标准库发 HTTP 请求也行：

import json import urllib.request data = json.dumps({ "model": "deepseek-r1:7b", "messages": [{"role": "user", "content": "你好"}], "stream": False }).encode("utf-8") req = urllib.request.Request( "http://localhost:11434/v1/chat/completions", data=data, headers={"Content-Type": "application/json"} ) with urllib.request.urlopen(req) as resp: result = json.loads(resp.read().decode("utf-8")) print(result["choices"][0]["message"]["content"])

这两种方式都可以，看你对第三方库的接受程度。

5. 常见问题与排查手册

这一节是我实际踩坑的记录。本地部署 DeepSeek 最烦的不是装不上，而是装上了跑起来各种小问题。我把高频问题整理成表，你对着查。

5.1 高频问题速查表

5.2 网络问题与镜像加速

国内下载 HuggingFace 和 Ollama 上的模型经常很慢，这是很多人卡住的第一道坎。我的经验是，先试试能不能正常下载，如果速度极慢或直接超时，就改用镜像源。老的下载方法会用到一些已被屏蔽的服务，现在更稳妥的方式是用 ModelScope（魔搭）或硅基流动提供的模型仓库镜像。

比如用 ModelScope 的方式，在 WSL 里先安装 Python SDK：

pip install modelscope

然后写个简单脚本下载模型到本地目录，再用 Ollama 从本地导入。不过这步略折腾，适合实在下不动模型的情况。如果你只是用 Ollama，也可以在启动时指定镜像源，设置环境变量：

export OLLAMA_HOST=127.0.0.1:11434

这一步是改监听端口的，不解决下载问题。真正解决下载问题要看你的网络环境，不同地区差异很大，这里我只说结论：多试几个源，总有一个快的。另外下载模型不要频繁中断重试，Ollama 支持断点续传，让它挂在那等就好。

5.3 命令行窗口闪退与脚本异常

很多人在 Windows 上双击某个脚本或运行 Python 文件时，窗口一闪就没了，也没看清楚报错。这个问题几乎都是脚本执行出错后窗口自动关闭导致的。

排查方法是：打开 CMD 或 PowerShell，手动切到脚本所在目录，然后执行脚本。这样窗口不会自动关，错误信息会留在屏幕上。还有个常见原因是 Windows 的脚本执行策略，如果是 PowerShell 脚本报“禁止运行脚本”，执行一下：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser

这条命令允许本机已签名和本地创建的脚本运行，是开发调试的标配操作。

5.4 端口被占用怎么处理

本地跑了很多服务之后，端口冲突是家常便饭。DeepSeek 相关的本地服务默认端口是 11434（Ollama），如果你发现服务起不来，先查端口占用：

netstat -ano | findstr 11434

会输出占用进程的 PID 和一个状态信息。再用：

taskkill /PID <PID> /F

强制结束该进程。或者反过来，你只是想确认端口通不通，用netstat查一下监听状态，别急着杀进程。Windows 上排查端口问题的核心思路就是这两条命令，够用了。

5.5 模型效果不如官方网页版

这个是本地部署用户问得最多的问题。原因很直接：你本地跑的是小参数模型，官方网页版用的是超大规模模型，效果自然有差距。这不是安装问题，是硬件决定的物理差距。

我的建议是，本地部署的价值在于免费、隐私、可定制，不在于追平官方效果。如果你追求顶级效果，直接用官方网页版或 API 更合适。本地部署更适合做实验、学习、定制化开发，比如用 DeepSeek 做代码补全、跑自动化脚本、研究模型行为。

6. 进阶玩法与我的实操心得

最后聊几个进阶方向，这些是我在实际使用中觉得很有价值的东西，也是一些网上不太容易找到的实操细节。

把 Ollama 玩成团队共享服务：Ollama 默认只监听本机回环地址，但如果你的电脑在局域网内，可以让同事一起用。修改环境变量：

export OLLAMA_HOST=0.0.0.0:11434

这样同一局域网内的其他设备就能通过你的 IP 地址访问模型服务。比如你的电脑 IP 是192.168.1.100，同事把 API 地址配成http://192.168.1.100:11434/v1就能用。不过在开放前记得想清楚，局域网内任何人都能调用，注意用量。

在 Windows 上装 Docker 跑 DeepSeek 服务：如果你熟悉 Docker，可以用容器化的方式部署，性能和隔离性更好。Windows 上安装 Docker Desktop 后，拉取一个带推理框架的镜像，比如ollama/ollama镜像，然后直接跑容器。这种方式的优点是可复现、好迁移，换机器不用重新折腾环境。缺点是对新手来说又多了一层概念。

Codex 接入的进阶配置：Codex 不只是命令行聊天，它可以在项目目录下读取文件、修改代码、执行 Git 操作。我在实操中把 DeepSeek 接入 Codex 之后，让它做了一个简单的 Python 爬虫项目，从搭骨架到写完核心逻辑，模型全程参与。缺点是本地模型在多轮工具调用时速度会有点吃紧，需要耐心等。如果你需要更高吞吐，用 DeepSeek 官方 API 会比本地模型快得多——但从成本上说，本地部署胜在免费，没有 token 焦虑。我在实际使用中还有个体会：如果你要在本地跑模型供 Codex 这类代理工具使用，建议用专门的代码模型而非对话模型。DeepSeek 系列本身就有较强的代码能力，默认模型在代码任务上已经很能打。接着是调用参数：把 temperature 调到 0.1 以下，代码生成的稳定性会明显上升，天马行空的编造会少很多。

这玩法往后还能继续扩展：把本地模型接入到自动化测试流程，或者接进自己的知识库做 RAG。核心逻辑都是相通的——模型跑在那里，API 挂在那里，你的想象力才是上限。