《部署教程说明》

DeepSeek R1 本地部署+本地API调用+SpringBoot调用本地DeepSeek API实用教程、集成VS Code、JetBrains等开发工具中

一、准备工作

① 注册地址
👉 点击进入官网注册

② 本地部署工具Ollama
一个免费使用、本地运行、具有隐私意识的聊天机器人。无需 GPU 或互联网。
👉 Ollama安装和使用视频教程
👉 Ollama安装 + 网页插件视频教程
👉 点击官网下载Ollama地址
部署命令：
1.5B Qwen DeepSeek R1

1	ollama run deepseek-r1:1.5b

7B Qwen DeepSeek R1

1	ollama run deepseek-r1:7b

8B Llama DeepSeek R1

1	ollama run deepseek-r1:8b

14B Qwen DeepSeek R1

1	ollama run deepseek-r1:14b

32B Qwen DeepSeek R1

1	ollama run deepseek-r1:32b

70B Llama DeepSeek R1

1	ollama run deepseek-r1:70b

二、硬件配置说明

Windows 配置：
最低要求：NVIDIA GTX 1650 4GB 或 AMD RX 5500 4GB，16GB 内存，50GB 存储空间
推荐配置：NVIDIA RTX 3060 12GB 或 AMD RX 6700 10GB，32GB 内存，100GB NVMe SSD
高性能配置：NVIDIA RTX 3090 24GB 或 AMD RX 7900 XTX 24GB，64GB 内存，200GB NVMe SSD
Linux 配置：
最低要求：NVIDIA GTX 1660 6GB 或 AMD RX 5500 4GB，16GB 内存，50GB 存储空间
推荐配置：NVIDIA RTX 3060 12GB 或 AMD RX 6700 10GB，32GB 内存，100GB NVMe SSD
高性能配置：NVIDIA A100 40GB 或 AMD MI250X 128GB，128GB 内存，200GB NVMe SSD
Mac 配置：
最低要求：M2 MacBook Air（8GB 内存）
推荐配置：M2/M3 MacBook Pro（16GB 内存）
高性能配置：M2 Max/Ultra Mac Studio（64GB 内存）
可根据下表配置选择使用自己的模型

模型名称	参数量	大小	VRAM (Approx.)	推荐 Mac 配置	推荐 Windows/Linux 配置
deepseek-r1:1.5b	1.5B	1.1 GB	~2 GB	M2/M3 MacBook Air (8GB RAM+)	NVIDIA GTX 1650 4GB / AMD RX 5500 4GB (16GB RAM+)
deepseek-r1:7b	7B	4.7 GB	~5 GB	M2/M3/M4 MacBook Pro (16GB RAM+)	NVIDIA RTX 3060 8GB / AMD RX 6600 8GB (16GB RAM+)
deepseek-r1:8b	8B	4.9 GB	~6 GB	M2/M3/M4 MacBook Pro (16GB RAM+)	NVIDIA RTX 3060 Ti 8GB / AMD RX 6700 10GB (16GB RAM+)
deepseek-r1:14b	14B	9.0 GB	~10 GB	M2/M3/M4 Pro MacBook Pro (32GB RAM+)	NVIDIA RTX 3080 10GB / AMD RX 6800 16GB (32GB RAM+)
deepseek-r1:32b	32B	20 GB	~22 GB	M2 Max/Ultra Mac Studio	NVIDIA RTX 3090 24GB / AMD RX 7900 XTX 24GB (64GB RAM+)
deepseek-r1:70b	70B	43 GB	~45 GB	M2 Ultra Mac Studio	NVIDIA A100 40GB / AMD MI250X 128GB (128GB RAM+)

模型参数规模	典型用途	CPU 建议	GPU 建议	内存建议 (RAM)	磁盘空间建议	适用场景
deepseek-r1:1.5b(15亿)	小型推理、轻量级任务	4核以上 (Intel i5 / AMD Ryzen 5)	可选，入门级 GPU (如 NVIDIA GTX 1650, 4GB 显存)	8GB	10GB 以上 SSD	小型 NLP 任务、文本生成、简单分类
deepseek-r1:7b(70亿)	中等推理、通用任务	6核以上 (Intel i7 / AMD Ryzen 7)	中端 GPU (如 NVIDIA RTX 3060, 12GB 显存)	16GB	20GB 以上 SSD	中等规模 NLP、对话系统、文本分析
deepseek-r1:14b(140亿)	中大型推理、复杂任务	8核以上 (Intel i9 / AMD Ryzen 9)	高端 GPU (如 NVIDIA RTX 3090, 24GB 显存)	32GB	50GB 以上 SSD	复杂 NLP、多轮对话、知识问答
deepseek-r1:32b(320亿)	大型推理、高性能任务	12核以上 (Intel Xeon / AMD Threadripper)	高性能 GPU (如 NVIDIA A100, 40GB 显存)	64GB	100GB 以上 SSD	大规模 NLP、多模态任务、研究用途
deepseek-r1:70b(700亿)	超大规模推理、研究任务	16核以上 (服务器级 CPU)	多 GPU 并行 (如 2x NVIDIA A100, 80GB 显存)	128GB	200GB 以上 SSD	超大规模模型、研究、企业级应用
deepseek-r1:671b(6710亿)	超大规模训练、企业级任务	服务器级 CPU (如 AMD EPYC / Intel Xeon)	多 GPU 集群 (如 8x NVIDIA A100, 320GB 显存)	256GB 或更高	1TB 以上 NVMe SSD	超大规模训练、企业级 AI 平台

三、ChatBox本地API调用教程

👉 点击官网下载ChatBox地址
👉 点击使用视频教程

1	我正在写一篇文章，手动部署DeepSeek本地模型,调用本地API使用教程。请你帮我生成10个吸引眼球的标题供我选择。

四、SpringBoot本地API调用教程

使用Ollama部署deepseek-r1大模型，我们就可以开始使用Spring Boot + Spring AI来调用deepseek-r1大模型了
点击下载SpringBoot代码地址
 IDEA开发工具下载地址

① 点击官网构建Spring Boot项目
② 点击ADD DEPENDENCIES，搜索Ollama添加依赖，这是Spring AI对 Ollama 的实现支持。
③ 打开生成的项目，查看pom.xml，可以看到核心依赖：

<dependency>
	<groupId>org.springframework.ai</groupId>
	<artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
</dependency>

说明：如果你要在现有项目中集成的话，就可以直接添加这个依赖即可。

④ 配置Ollama的相关信息：application.properties或application.yml

1 2	spring.ai.ollama.base-url=http://localhost:11434 spring.ai.ollama.chat.model=deepseek-r1:1.5b

说明：Ollama API 默认调用端口号：11434

⑤ 写个单元测试，尝试调用Ollama中的deepseek-r1模型，这里尝试实现一个翻译的功能

@SpringBootTest
class TestApplicationTests {
	@Autowired
	private OllamaChatModel ollamaChatModel;
	@Test
	void testChatModel() {
		String prompt = "你是一个精通中文和英文的翻译大师。如果我给你英文就翻译成中文，给你中文就翻译成英文。";
		String message =
			"""	
			 DeepSeek-V3 achieves a significant breakthrough in inference speed over previous models.
			 It tops the leaderboard among open-source models and rivals the most advanced closed-source models globally.	
			""";
		String result = this.ollamaChatModel.call(prompt + ":" + message);
		System.out.println(result);
	}
}

⑥ 运行单元测试，结果如下：

<think>
好的，用户让我把一段英文翻译成中文，并且反过来也行。首先，我需要仔细阅读原文，确保不遗漏任何关键信息。

原文是：“DeepSeek-V3 achieves a significant breakthrough in inference speed over previous models. It tops the leaderboard among open-source models and rivals the most advanced closed-source models globally.”

首先，“DeepSeek-V3”应该是模型名称，所以翻译成“深度求索-3”比较合适。“achievable in inference speed”可以译为“在推理速度上取得了重大突破”，这里的“inference speed”指的是计算速度。

然后，“over previous models”是说它超过了之前的模型，所以翻译成“相比之前的所有模型”。

接下来的部分：“tops the leaderboard among open-source models”意思是它超过了开源模型的排行榜，这里需要用“在开源模型中领先于所有”来表达。

最后一句，“rival the most advanced closed-source models globally”是说它和最先进、最复杂的闭源模型竞争全球，翻译成“与最前沿、最强大的闭源模型的竞争”。

组合起来就是：“深度求索-3在推理速度上取得了重大突破。相比之前的所有模型，在开源模型中领先于所有，并且与最前沿、最强大的闭源模型的竞争。”

完成这些翻译后，我需要检查一下是否准确传达了原文的意思，确保没有遗漏任何细节或者语法错误。

如果用户希望反过来翻译，也就是将中文翻译成英文，我可以继续回应这个请求。
</think>

深度求索-3在推理速度上取得了重大突破。相比之前的所有模型，在开源模型中领先于所有，并且与最前沿、最强大的闭源模型的竞争。

可以看到结果响应分成两部分，先是 <think> 标签包含的内容，这是模型根据提供的提示，生成了一个思考的过程，最后才输出了翻译后的结果。

五、集成VS Code、JetBrains等开发工具

① IDEA工具安装 CodeGPT 插件或 Continue 插件
IDEA开发工具下载地址

② VS Code工具安装 CodeGPT 插件或 Continue 插件
VS Code开发工具下载地址

➖➖相关视频推荐教程➖➖

[点击观看视频教程]

[点击展开] 赞赏支持 ~🧧

*我非常感谢您的赞赏和支持，它们将极大地激励我继续创新，持续产生有价值的工作。*

USDT-TRC20: TWTxUyay6QJN3K4fs4kvJTT8Zfa2mWTwDD
TRX-TRC20: TWTxUyay6QJN3K4fs4kvJTT8Zfa2mWTwDD

TRC10/TRC20扫码支付

免责声明:

1、该项目设计和开发仅供学习、研究和安全测试目的。请于下载后 24 小时内删除, 不得用作任何商业用途, 文字、数据及图片均有所属版权, 如转载须注明来源。
2、使用本程序必循遵守部署服务器所在地区的法律、所在国家和用户所在国家的法律法规。对任何人或团体使用该项目时产生的任何后果由使用者承担。
3、作者不对使用该项目可能引起的任何直接或间接损害负责。作者保留随时更新免责声明的权利，且不另行通知。

【银河录像局】 奈飞账号合租，Ai账号多模型国内直连，性价比拉满
🌐点击官网：【nf.video】注册 🎁95折优惠码：amclubs

【红杏云】 中转高速机场,8元220G/每月✅玩游戏首选，解锁ChatGPT、全流媒体(送小火箭)【送自动签到脚本】
🌐点击官网【https://hongxingdl.com】注册 🎁8折优惠码：AM科技

【极速云】 全专线机场低至8元100G/每月✅全IEPL专线，畅爽晚高峰解锁ChatGPT、全流媒体(送小火箭)
🌐点击官网【https://极速666.com】注册 🎁8折优惠码：AM888

【69云】 中转高速机场 9.9元400G/每月✅看片秒加载，解锁ChatGPT、全流媒体(送小火箭)【送自动签到脚本】
🌐点击官网【https://69yun69.com】注册

AM科技

搜索此博客

DeepSeek R1 本地部署+本地API调用+SpringBoot调用本地DeepSeek API实用教程

一、准备工作

二、硬件配置说明

三、ChatBox本地API调用教程

四、SpringBoot本地API调用教程

五、集成VS Code、JetBrains等开发工具

评论

发表评论