本文介绍了如何在本地部署DeepSeek-R1大模型，并结合ollama和open-webui搭建环境。文章详细阐述了操作系统的选择、ollama的安装与配置、DeepSeek-R1模型的下载与运行，以及Docker的安装与镜像源配置。此外，还介绍了Ragflow的安装与配置，包括修改配置文件、启动Docker Compose，并在Ragflow中配置ollama模型和知识库。通过本文，读者可以了解如何在本地搭建一个可用的DeepSeek-R1环境。

💻DeepSeek-R1模型对硬件有一定要求，不同规模的模型对GPU显存和CPU内存有不同的需求，例如1.5B模型推荐4GB显存，70B模型则需要80GB显存。

🐳Ollama是一个支持在Windows、Linux和macOS上本地运行大模型的工具，通过简单的命令行操作即可完成模型的下载和运行，例如使用`ollama run deepseek-r1:8b`命令即可下载并运行DeepSeek-R1 8B模型。

⚙️Ragflow是一个基于深度文档理解的RAG引擎，需要在安装后修改`ragflow-main/docker/env`配置文件，将轻量版镜像改为完整版镜像，以包含Embedding模型，并配置ollama的API-Key，才能在Ragflow中调用DeepSeek-R1模型。

DeepSeek-R1本地部署配置要求

Github地址：github.com/deepseek-ai…

模型规模	最低 GPU 显存	推荐 GPU 型号	纯 CPU 内存需求	适用场景
1.5B	4GB	RTX 3050	8GB	个人学习
7B、8B	16GB	RTX 4090	32GB	小型项目
14B	24GB	A5000 x2	64GB	专业应用
32B	48GB	A100 40GB x2	128GB	企业级服务
70B	80GB	A100 80GB x4	256GB	高性能计算
671B	640GB+	H100 集群	不可行	超算/云计算

扩展：

上面代表的是什么含义，首先我们知道671B的模型才是基础模型，其余的1.5B、7B、8B等都是蒸馏模型，因此Qwen代表是通义千问模型蒸馏的，Llama是通过Llama模型蒸馏的

 

DeepSeek-R1 + ollama + open-webui本地部署

1.本次使用的操作系统，以及环境配置

操作系统：windows11

CPU:  i7-11800H

内存：16GB

GPU：RTX3050ti  4G显存

2.安装ollama

ollama是一个支持在windows、linux和macos上本地运行的大模型工具

官方网址：Release v0.5.7 · ollama/ollama · GitHub

配置环境变量

 测试是否安装成功，cmd命令行输入ollama

3.通过ollama 安装 DeepSeek-R1 8B模型

下载模型网址：deepseek-r1

在命令行输入：ollama run deepseek-r1:8b，即可下载相应模型，速度会慢一点

在命令行输入：ollama list，即可查看已经下载好的模型

 在命令行输入：ollama run deepseek-r1:8b，运行下载好的模型

4.安装docker

Docker 官网：Docker: Accelerated Container Application Development

cmd 验证是否安装成功

配置docker镜像源

{  "builder": {    "gc": {      "defaultKeepStorage": "20GB",      "enabled": true    }  },  "experimental": false,  "registry-mirrors": [    "https://docker.m.daocloud.io",    "https://docker.imgdb.de",    "https://docker-0.unsee.tech",    "https://docker.hlmirror.com",    "https://docker.1ms.run",    "https://func.ink",    "https://lispy.org",    "https://docker.xiaogenban1993.com"  ]}

注意：如果windows docker 启动失败，一直 docker destop stopped，可以尝试升级wsl , cmd 输入 wsl --update

5.安装Ragflow

Ragflow 网址：GitHub - infiniflow/ragflow: RAGFlow is an open-source RAG (Retrieval-Augmented Generation) engine based on deep document understanding.

下载之后，要修改ragflow-main/docker/env配置文件，这里主要是将下载轻量版ragflow:v0.17.1-slim改为完整版ragflow:v0.17.1，完整版包含Embedding模型

# The RAGFlow Docker image to download.# Defaults to the v0.17.1-slim edition, which is the RAGFlow Docker image without embedding models.# RAGFLOW_IMAGE=infiniflow/ragflow:v0.17.1-slim## To download the RAGFlow Docker image with embedding models, uncomment the following line instead:RAGFLOW_IMAGE=infiniflow/ragflow:v0.17.1

cmd 进入 ragflow-main目录，执行 docker compose -f docker/docker-compose.yml up -d命令

安装完成

在浏览器输入 http://localhost:80即可完成启动

 

6.在Ragflow中配置ollama

添加ollama的deepseek-r1:1.5b模型

1.如果都是本地部署的ollama和ragflow，基础url可以为http:本机ip:11434

2.如果本地部署的ollama，docker部署的ragflow，推荐使用host.docker.internal:11434，因为ragflow是基于docker运行，但是ollama是直接安装在宿主机的（但是经过测试，都没有问题）

3.这里需要注意，API-Key一定要填写，哪怕为1，否则后续系统模型设置会无法调用

在系统模型设置中，配置deepseek-r1:1.5b 

 7.在Ragflow中配置知识库

 上传文件，进行解析

原文链接：https://www.cnblogs.com/REN-Murphy/p/18769576