DeepSeek本地部署完整指南：先选模型，再装Ollama与Open WebUI

如果你现在手上是一台普通笔记本，目标只是把 DeepSeek 跑起来做离线写作、代码补全，或者偶尔处理几份不想外发的文档，第一步其实不是把 Ollama、Open WebUI 和大模型一起装满。真正决定成败的，是你要不要本地部署、应该停在 Ollama CLI + deepseek-r1:8b，还是确实需要图形界面与更大的模型体积。这个判断一开始做错，后面下载的几十 GB、调试的端口和界面设置，大多都会变成返工。

所以这篇重写版不再按“先安装，再慢慢报错”的旧顺序来写，而是先给你一张三步决策矩阵：先判断本地部署值不值得，再决定模型大小，最后才决定要不要接 Open WebUI。这样你会更快知道自己应该停在哪一步，而不是先把环境堆满，再发现需求其实只是轻量本地调用。

TL;DR

如果你只是想确认链路能跑通，先从 deepseek-r1:1.5b 或 deepseek-r1:7b 开始，不要一上来冲 32B。

如果你需要默认推荐值，当前 Ollama 库里 deepseek-r1:8b 仍是 latest，模型体积 5.2GB、上下文 128K（Ollama Library，2026-03-18）。

如果你只想本地聊天或临时试用，Ollama CLI 就够了；只有当你需要多人可视化、模型下载面板或更完整会话管理时，再接 Open WebUI。

如果你在 Open WebUI 里看到 <think> 原样输出，优先检查是否按官方建议以 ollama serve --reasoning-parser deepseek_r1 启动（Open WebUI Docs，2026-03-18）。

如果你的需求是稳定低维护、偶发调用、几乎不做离线处理，那么继续使用 API 往往比折腾本地更划算。DeepSeek 官方当前公开价格为输入 cache hit $0.028/1M、cache miss $0.28/1M、输出 $0.42/1M（DeepSeek API Docs，2026-03-18）。

DeepSeek本地部署封面图

为什么这篇教程必须重写，而不是小修小补

旧版本最致命的问题，是把已经过时的模型名和安装入口继续当成主流程来写。现在 Ollama 官方库里的 DeepSeek 主线已经是 deepseek-r1 家族，公开标签包括 1.5b / 7b / 8b / 14b / 32b / 70b / 671b，其中 deepseek-r1:8b 仍是默认 latest（Ollama Library，2026-03-18）。如果你还照着 deepseek:chat-7b 或 deepseek:R1-v3-70b 这种旧写法去执行，读者遇到的不是“体验差一点”，而是命令本身就可能不再对应官方推荐入口。

第二个问题是站点和文档地址已经换代。Ollama 当前官方文档与安装脚本都在 ollama.com 与 docs.ollama.com 体系下，Linux 安装命令也明确写成 curl -fsSL https://ollama.com/install.sh | sh（Ollama Linux，2026-03-18）。继续保留旧域名，会让文章从第一屏就失去可信度。

第三个问题更隐蔽。现在大多数用户部署 DeepSeek，并不是为了“本地大模型”这五个字本身，而是为了完成一个明确任务，例如离线问答、代码辅助、隐私文档分析，或者在公司内网跑一个不用外发数据的聊天入口。文章如果先不告诉他该选 CLI、Open WebUI 还是 API，再长的安装教程也只是把决策成本推迟，而不是消灭它。如果你还没判断清楚 R1 和 V3 更适合哪类任务，可以顺手看看 DeepSeek R1 与 V3 的区别。

先做决定：DeepSeek本地部署三步决策矩阵

先说结论。对大多数个人用户来说，本地部署不是“越完整越好”，而是“能解决你的问题就停”。真正有用的决策顺序是：先决定运行路径，再决定模型体积，最后决定要不要接图形界面。

你的真实目标	推荐运行路径	推荐起步模型	为什么这样选
只想确认本机能跑通 DeepSeek	`Ollama CLI`	`deepseek-r1:1.5b` 或 `7b`	下载快、失败成本低，适合先验通路
日常本地问答、写作、轻量代码辅助	`Ollama CLI` 或 `Open WebUI`	`deepseek-r1:8b`	当前默认标签、体积和效果平衡最好
需要更强推理、较长上下文、多人共享界面	`Open WebUI + Ollama`	`deepseek-r1:14b`	比 8B 更强，但还没到工作站级门槛
有独立工作站，追求更强本地效果	`Open WebUI + Ollama` 或更专业推理服务	`32b` 及以上	体积已到 `20GB` 甚至 `43GB`，不再适合多数笔记本
只是偶尔调用，优先低维护和弹性扩缩	不建议先本地	继续使用 API	维护成本通常比 token 费用更高

这张表里的数字不是拍脑袋给的。Ollama 官方库当前列出的模型体积分别是 1.1GB / 4.7GB / 5.2GB / 9.0GB / 20GB / 43GB / 404GB，对应 1.5b / 7b / 8b / 14b / 32b / 70b / 671b（Ollama Library，2026-03-18）。工程上你至少要给模型本体、上下文缓存、系统进程和其他应用留余量，所以当模型文件本身已经来到 20GB 或 43GB 时，把它归到“工作站级方案”是合理判断，而不是保守过度。

DeepSeek本地部署决策矩阵

这里还有三个停止条件，建议你在下载前就看清楚。第一，如果你只是为了偶尔问几个问题，不需要离线、也不需要私有化数据处理，那本地部署未必是最佳路线。第二，如果你对命令行没有抗拒，但也不需要多人使用或会话管理，那么先别装 Open WebUI。第三，如果你第一次部署就已经担心磁盘空间、风扇、内存占用，那就不要把 32B 当成“更专业”的默认升级。

安装前先做一次基线检查

Ollama 目前覆盖 macOS、Windows 和 Linux（Ollama Quickstart，2026-03-18），所以系统层面并不是主要障碍，真正的门槛通常在于你的硬件目标是否和模型规格匹配。macOS 方面，官方写明最低要求是 macOS Sonoma 14 及以上，Apple M 系列支持 CPU 与 GPU，x86 仅 CPU 模式（Ollama macOS，2026-03-18）。Windows 方面，Ollama 现在已经作为原生 Windows 应用运行，并明确写到支持 NVIDIA 与 AMD Radeon GPU，同时本地 API 默认开放在 http://localhost:11434（Ollama Windows，2026-03-18）。

如果你是第一次部署，我建议把检查目标压缩成三件事。第一，系统能不能装 Ollama。第二，你是否有足够磁盘空间容纳目标模型。第三，你打算用 CLI 还是浏览器界面。不要在这个阶段就纠结 CUDA、ROCm、RAG 或容器编排，那些都属于“能跑通之后再增强”的层级。

一个常被忽略的点是上下文长度。Ollama 现在会根据显存区间设置默认上下文长度：小于 24 GiB VRAM 时默认 4k，24-48 GiB 默认 32k，大于等于 48 GiB 默认 256k（Ollama Context Length，2026-03-18）。这意味着你即使拉到了 128K 上下文模型，也未必一上来就在本机用到 128K 的实际运行配置。很多用户误以为“模型写着 128K，我就已经在 128K 跑”，问题就出在这里。

第一步：安装并验证 Ollama

Ollama 的安装现在比早期简单得多。Linux 仍然可以直接执行 curl -fsSL https://ollama.com/install.sh | sh（Ollama Linux，2026-03-18）。macOS 和 Windows 则推荐从官方下载安装包，完成后直接在本地终端调用 ollama 即可（Ollama Quickstart，2026-03-18）。

安装完成后，不要急着拉模型，先确认服务和命令行都是通的。你可以先运行：

bash
ollama

按照当前官方 Quickstart，ollama 会直接打开交互菜单，你可以在终端里浏览模型和工具入口（Ollama Quickstart，2026-03-18）。如果你更喜欢传统方式，也可以直接试一条 API：

bash
curl http://localhost:11434/api/chat -d '{
  "model": "deepseek-r1",
  "messages": [{ "role": "user", "content": "你好，请简单介绍一下自己。" }]
}'

这里的重点不是回答内容，而是确认三件事已经成立：服务在本地、端口可达、客户端和运行时没有分离。如果这一步都没通，后面无论装不装 Open WebUI，都会继续失败。

对于 Linux 用户，如果你希望后台常驻，官方文档给出了基于 systemd 的服务方式，核心进程仍然是 ollama serve（Ollama Linux，2026-03-18）。对于 macOS 用户，日志和模型默认位于 ~/.ollama 与 ~/.ollama/logs（Ollama macOS，2026-03-18）。这两个目录后面排障时非常有用，记住比记住十个“玄学修复”更重要。

第二步：按模型体积而不是参数崇拜来选 DeepSeek-R1

DeepSeek-R1 当前在 Ollama 中最适合个人本地部署的，不是满血版 671b，而是蒸馏模型线。官方库列出的主要标签包括：1.5b 为 1.1GB、7b 为 4.7GB、8b 为 5.2GB、14b 为 9.0GB、32b 为 20GB、70b 为 43GB，主流蒸馏模型上下文均为 128K（Ollama Library，2026-03-18）。DeepSeek 官方 Hugging Face 模型卡也确认公开蒸馏型号覆盖 1.5B / 7B / 8B / 14B / 32B / 70B（DeepSeek Hugging Face，2026-03-18）。

对大多数第一次部署的读者，我的建议很直接。只要不是明确知道自己需要更大的推理能力，就从 deepseek-r1:8b 开始。它是当前 latest，等于你执行 ollama run deepseek-r1 时默认会拉到的版本（Ollama Library，2026-03-18）。如果你机器偏老、只是试通路，就退到 1.5b 或 7b。如果你已经有比较从容的本地资源，又确实需要更稳定的长问答和更强推理，再考虑 14b。

常用命令如下：

bash
# 默认推荐：latest 当前对应 8B
ollama run deepseek-r1

# 更轻量
ollama run deepseek-r1:1.5b
ollama run deepseek-r1:7b

# 更强，但门槛更高
ollama run deepseek-r1:14b
ollama run deepseek-r1:32b

如果你看到一些旧内容还在推荐 deepseek:coder 或 deepseek:chat-34b，可以直接把它视为历史版本语境。现在 DeepSeek-R1 系列已经成为本地部署的主流入口，而且 Ollama 库中还注明了 8B 与 671B 已获得 DeepSeek-R1-0528 minor upgrade（Ollama Library，2026-03-18）。这也是为什么今天继续写“2025年最佳命令”意义不大，真正有意义的是跟着当前官方标签走。

第三步：只有在需要图形界面时，再接 Open WebUI

不少教程会把 “装 Docker + 装 Open WebUI” 写成必经之路，这其实不够诚实。你如果只是一个人用、对终端不排斥、也不需要会话管理和管理员后台，那么只跑 Ollama 就够用了。Open WebUI 真正值得安装的场景，是你希望用浏览器聊天、在管理后台拉取模型、给同事或家人提供可视化入口，或者未来准备继续接知识库与权限体系。

Open WebUI 官方首页现在给出的 Docker 快速启动命令是：

bash
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

如果 Ollama 跑在宿主机，官方连接文档明确建议把 Open WebUI 中的 Ollama 地址设为 http://host.docker.internal:11434（Open WebUI Docs，2026-03-18）。这比很多博客里随手写的 localhost 更关键，因为容器内的 localhost 指向的是容器自己，而不是你的主机。

Open WebUI 还有一个对 DeepSeek-R1 非常重要的细节。官方文档专门写到，推理模型如果会输出 <think>...</think>，应当通过以下方式启动 Ollama：

bash
ollama serve --reasoning-parser deepseek_r1

这样 Open WebUI 才能把 thinking 部分折叠显示，而不是把推理标记原样铺在聊天正文里（Open WebUI Docs，2026-03-18）。这就是为什么很多人说“装好了但看起来很乱”，问题不一定在模型，而在 parser 没配。

如果你不想用 Docker，Open WebUI 官方也提供了基于 uv 与 pip 的本地安装方式，并明确推荐优先使用 uv（Open WebUI Docs，2026-03-18）。这一点对 Windows 用户尤其友好，因为很多人只是为了一个浏览器界面，没必要先背上完整容器环境。

第四步：上线后最影响体验的三件事

真正把本地部署体验拉开差距的，通常不是“有没有成功运行”，而是三个更细的设置：上下文长度、是否把推理输出正确分离、以及你有没有查看日志。Ollama 的上下文长度默认会根据显存自动设置，而不是总按模型标称最大值运行（Ollama Context Length，2026-03-18）。如果你做的是代码、长文档或者多轮任务，看到回复很快但“记性不好”，第一反应应该是检查上下文，而不是盲目换大模型。

DeepSeek本地部署优化与排障示意图

如果你需要更长上下文，官方给出的方式是在服务启动时显式设置，例如：

bash
OLLAMA_CONTEXT_LENGTH=64000 ollama serve

同时，官方建议用 ollama ps 检查模型是否真的主要在 GPU 上运行，因为一旦大量 offload 到 CPU，速度和交互感受会明显下降（Ollama Context Length，2026-03-18）。这类问题不是“模型不行”，而是资源路径不对。

第二件事是日志。macOS 下，Ollama 日志默认在 ~/.ollama/logs（Ollama macOS，2026-03-18）；Linux 下，如果你按官方方式把它托管为系统服务，那么 journalctl -e -u ollama 就是第一查看入口（Ollama Linux，2026-03-18）。很多排障其实不需要搜论坛，日志里已经写明了端口占用、模型加载失败或权限问题。

第三件事是别把“更大模型”当成唯一优化手段。对多数用户而言，正确的提升顺序应该是：先确认本地链路稳定，再确认上下文长度和 parser 是否正确，然后再考虑从 8b 升到 14b。如果你还没有把这些基础环节跑顺，直接跳到 32b 往往只会把问题放大。

高频故障排查：四类问题先看哪里

本地部署最常见的报错，表面上很像随机问题，实际上大多可以归到四类。

第一类是 ollama 已安装但服务不通。这时先访问或请求 http://localhost:11434，再检查是不是另一个进程占了端口。Windows 默认 API 就在这个地址（Ollama Windows，2026-03-18），所以如果端口不通，后面所有上层工具都会一起失效。

第二类是模型能运行，但表现和你预期差距很大。这里优先核对你实际下载的是不是想要的标签。deepseek-r1 默认就是 8b，不是 32b，也不是历史上的别名（Ollama Library，2026-03-18）。其次再看是否因为默认上下文较低，导致多轮表现被误判为“模型太弱”。

第三类是 Open WebUI 连不上 Ollama。容器环境下，最常见错误就是还在用 localhost:11434。官方写得很明确，Docker 用户如果 Ollama 跑在宿主机，推荐用 http://host.docker.internal:11434（Open WebUI Docs，2026-03-18）。这一点如果错了，界面会看起来“已经启动”，但实际拉不到模型列表。

第四类是界面里出现大量 <think>，或者回答结构混乱。这不是 DeepSeek-R1 独有 bug，而是 reasoning 模型的展示方式没有被正确解析。按官方方式以 ollama serve --reasoning-parser deepseek_r1 启动，通常就能回到正常显示（Open WebUI Docs，2026-03-18）。

常见问题（FAQ）

Q1：现在本地部署 DeepSeek，默认应该拉哪个模型？

如果你没有非常明确的高端工作站条件，默认从 deepseek-r1 开始就够了。当前它对应 deepseek-r1:8b，体积 5.2GB、上下文 128K（Ollama Library，2026-03-18）。这是目前最稳妥的起点，因为它兼顾了下载体积、推理能力和复用价值。只有当你已经确认 8B 无法满足任务，再考虑 14B 或更大规格。

Q2：本地部署一定要装 Docker 和 Open WebUI 吗？

不一定。Docker 和 Open WebUI 是“增强层”，不是“起步层”。你只要能接受命令行，Ollama 本身就已经足够完成本地聊天和 API 调用。真正需要 Open WebUI 的场景，是你希望在浏览器里管理模型、提供多人入口、或者希望后续继续接知识库等功能。把它们当成可选而不是必选，部署成功率会高很多。

Q3：为什么我已经看到 128K 模型，但实际体验不像 128K？

因为模型标称上下文和运行时默认上下文不是一回事。Ollama 会按显存区间设置默认值，小于 24 GiB VRAM 时默认只有 4k，24-48 GiB 才会到 32k，更高显存才可能默认 256k（Ollama Context Length，2026-03-18）。如果你的任务很依赖长上下文，需要显式调整服务启动参数，而不是只看模型名。

Q4：Open WebUI 里为什么会直接显示 `<think>`？

这通常说明 reasoning parser 没配好。DeepSeek-R1 这类推理模型会把思考过程包在 <think>...</think> 里，Open WebUI 官方建议以 ollama serve --reasoning-parser deepseek_r1 启动 Ollama，这样 thinking 区块会被折叠显示（Open WebUI Docs，2026-03-18）。如果不做这一步，界面虽然能用，但阅读体验会明显变差。

Q5：我到底该继续本地部署，还是回去用 DeepSeek API？

看你的目标，而不是看别人怎么说。如果你重视离线、隐私、可控性，或者希望把文档与会话留在本机，本地部署是值得的。如果你只是偶尔调用、想少维护、对离线没有强需求，那么 API 更轻。DeepSeek 当前官方公开价格是输入 cache hit $0.028/1M、cache miss $0.28/1M、输出 $0.42/1M（DeepSeek API Docs，2026-03-18），对轻量使用者来说，真正昂贵的往往不是 token，而是自己维护环境的时间。

Q6：第一次部署时，什么情况下不要再往更大模型升级？

只要你还没把“安装成功、链路稳定、上下文合适、界面显示正常”这四件事确认完，就先不要升级。更大模型不会替你修复端口、连接、日志或 parser 问题。相反，它只会让下载更慢、排障更难、资源占用更高。我的建议是先把 8B 跑顺，再决定要不要进到 14B；只有当你明确知道自己为什么需要 32B 以上，才值得去承担那一级别的资源消耗。

总结：正确顺序不是“先安装”，而是“先判断，再安装”

如果你只记住一句话，那就是不要再从旧命令和旧模型名开始。今天更新后的正确路径是：先判断自己到底需不需要本地部署，再用 Ollama 把链路跑通，然后按模型体积做选择，最后在确实需要图形界面时再接 Open WebUI。

这样做的好处不是文章看起来更“高级”，而是它更符合真实用户的决策过程。你不会因为教程一上来就推 32B 或 Docker，而把一次本可以在半小时内完成的本地部署，拖成一整天的折腾。如果后续你还想继续扩展到知识库或内网协作，这套结构也能无缝延伸，而不是推倒重来。

DeepSeek本地部署完整指南：先选模型，再装Ollama与Open WebUI

Nano Banana Pro

DeepSeek本地部署完整指南：先选模型，再装Ollama与Open WebUI

为什么这篇教程必须重写，而不是小修小补

先做决定：DeepSeek本地部署三步决策矩阵

安装前先做一次基线检查

第一步：安装并验证 Ollama

第二步：按模型体积而不是参数崇拜来选 DeepSeek-R1

第三步：只有在需要图形界面时，再接 Open WebUI

第四步：上线后最影响体验的三件事

高频故障排查：四类问题先看哪里

常见问题（FAQ）

Q1：现在本地部署 DeepSeek，默认应该拉哪个模型？

Q2：本地部署一定要装 Docker 和 Open WebUI 吗？

Q3：为什么我已经看到 128K 模型，但实际体验不像 128K？

Q4：Open WebUI 里为什么会直接显示 `<think>`？

Q5：我到底该继续本地部署，还是回去用 DeepSeek API？

Q6：第一次部署时，什么情况下不要再往更大模型升级？

总结：正确顺序不是“先安装”，而是“先判断，再安装”

推荐阅读

DeepSeek本地部署完整指南：先选模型，再装Ollama与Open WebUI

为什么这篇教程必须重写，而不是小修小补

先做决定：DeepSeek本地部署三步决策矩阵

安装前先做一次基线检查

第一步：安装并验证 Ollama

第二步：按模型体积而不是参数崇拜来选 DeepSeek-R1

第三步：只有在需要图形界面时，再接 Open WebUI

第四步：上线后最影响体验的三件事

高频故障排查：四类问题先看哪里

常见问题（FAQ）

Q1：现在本地部署 DeepSeek，默认应该拉哪个模型？

Q2：本地部署一定要装 Docker 和 Open WebUI 吗？

Q3：为什么我已经看到 128K 模型，但实际体验不像 128K？

Q4：Open WebUI 里为什么会直接显示 <think>？

Q5：我到底该继续本地部署，还是回去用 DeepSeek API？

Q6：第一次部署时，什么情况下不要再往更大模型升级？

总结：正确顺序不是“先安装”，而是“先判断，再安装”

推荐阅读

Q4：Open WebUI 里为什么会直接显示 `<think>`？