本地搭建DeepSeek-R1、WebUI网站首页 学无止境

本地搭建DeepSeek-R1、WebUI

Stay Passion 2025-02-14 12:01:03

简介搭建deepseek web

背景

最近几年，人工智能技术的发展势头愈发强劲。无论是大型语言模型的突破，如美国OpenAI公司开发的ChatGPT，还是中国诸家企业在自主学习系统领域的快速进步，都展现了人工智能技术的前所未有的潜力和变革力量。这不仅仅是技术本身的飞速发展，更是人类对知识边界与认知极限的一次深度探索。从自然语言处理到计算机视觉，从强化学习到生成式AI，技术创新层出不穷，为人类社会带来了前所未有的变革。

在这场技术革命中，我们欣喜地看到AI系统能够以接近或超越人类水平的能力，完成复杂的知识推理、多任务处理以及创造性思考。例如，DeepSeek等中国公司开发的智能搜索引擎，不仅在信息检索方面取得了显著进展，还展现出独特的领域适应能力。此外，AI技术的应用已经渗透到各个行业，从医疗、教育到金融，每一个领域都在经历着前所未有的数字化与智能化转型。在这个充满挑战与机遇的时代，我们需要以更加开放和包容的心态，拥抱人工智能带来的变革，同时也要保持对未知未来的一种敬畏与谨慎。

本文旨在详细介绍如何离线搭建DeepSeek-R1，主要为企业级开发使用。另外官方线上环境因火爆的访问量及持续遭受每秒上亿次的Dos恶意请求，导致访问体验感不好的小伙伴也可以进行离线搭建使用。

仅需线上体验的朋友可以直接跳转官网链接。

搭建准备

下载安装：ollama
下载安装：docker

基础概念

Ollama 是一个开源的人工智能平台，专注于大语言模型（Large Language Model, LLM）的本地部署和管理。它允许开发者在自己的服务器上运行多种预训练语言模型，如 GPT-3 或 ChatGPT，并通过 RESTful API 提供服务。Ollama 的核心优势在于其高效的本地推理能力，能够在资源有限的环境下快速响应用户查询。如下附上Ollama基础指令。

#1.启动ollama服务
ollama serve
#2.创建模型 (create)；使用 Modelfile 来创建一个新模型。你需要提供一个包含模型信息的 Modelfile。
ollama create /path/to/Modelfile
#3.显示模型信息 (show)；查看特定模型的详细信息，例如模型名称、版本等。
ollama show model_name
#4.列出所有模型 (list)；列出本地所有可用的模型,可以在这里查找模型名称。
ollama list
ollama ls
#5.运行模型 (run)；运行一个已安装的模型，执行某些任务。
ollama run model_name
#6.列出正在运行的模型 (ps)；显示当前正在运行的模型列表。
ollama ps
#7.删除模型 (rm)；删除一个已安装的模型。
ollama rm model_name
#8.查看版本 (version)；显示当前 ollama 工具的版本信息。
ollama -v
ollama --version
#9.复制模型 (cp)；复制一个模型到另一个位置或给定名称的地方。
ollama cp old_model new_model
#10.从注册表拉取模型 (pull)；从模型注册表中拉取一个模型，供本地使用。
ollama pull model_name
#11.推送模型到注册表 (push)；将本地模型推送到模型注册表中，以便他人或其他系统使用。
ollama push model_name

Docker是一种开源的容器化平台，用于将软件及其所有依赖环境打包到镜像文件中，以便于在任何环境下轻松运行。此处使用docker主要用于运行open-webui，以便于更方便的使用DeepSeek-R1。

搭建过程

上述安装产品安装成功之后，便可以开始着手搭建DeepSeek-R1。

首先在ollama官网查询 deepseek 或者 deepseek-r1

如下图目前存在28个tag，按照我们自身电脑配置选择对应的版本，同时复制右侧命令。

数字后面的b代表着算力参数，随着参数增加，训练和 inference 的计算量也显著增加，但也要选择和本地硬件相匹配。

配置对照表

MAC用户打开终端（Windows用户打开CMD）输入上述复制命令

下载结束且成功之后（出现三个箭头），则可以进行问答。前期下载速度还是蛮快的，后面速度会越来越慢（FQ可有效提高下载速度），可以手动 control c 结束之后重新运行（会接着进行下载）。

下载成功之后可以查询到下载的模型信息

安装WebUI

如上小黑框中的交互方式显然不能满足我们的要求，我们需要一个友好的交互页面（如ChatGpt一样），还可以记录下我们对话的内容。此时引入open web ui。

登录docker客户端并点击terminal输入如下命令：

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

步骤解释：

docker run ：使用命令启动一个新的Docker容器。
-d ：表示运行容器时在后台，避免终端被占据。
-p 3000:8080 ：将宿主机的端口3000映射到容器内的端口8080。这样，外部访问的请求会被转发到容器内的8080端口，以供WebUI服务提供响应。
--add-host=host.docker.internal:host-gateway ：为Docker容器网络配置添加一个宿主名。host.docker.internal 是Docker默认配置的一个虚拟IP地址，允许容器访问主机网络中的其他服务，如本地服务器或数据库等。
--name open-webui ：指定容器的名称为 open-webui，方便在后续操作中通过名称管理和停止容器。
ghcr.io/open-webui/open-webui:main ：从GitHub Container Registry（GHCR）拉取镜像。open-webui:main 表示使用仓库中的 open-webui 项目的主分支镜像。如果没有权限访问该镜像，Docker命令将失败。
--restart always ：设置容器重启策略，当容器退出时自动启动新实例，以确保服务持续运行，避免应用程序故障导致服务中断。
-v open-webui:/app/backend/data ：创建一个匿名卷，将宿主机的文件夹 open-webui 挂载到容器内的路径 /app/backend/data。这允许容器在运行期间生成或修改数据，而这些数据会被保存到宿主机的指定文件夹中，方便后续管理和持久化。