本地搭建DeepSeek-R1、WebUI的完整过程及访问

背景

这两年，人工智能的发展速度确实有点让人应接不暇。从OpenAI的ChatGPT掀起全球热潮，到国内企业在自主学习和多模态模型上的快速追赶，技术迭代的节奏越来越快。这不仅仅是参数竞赛或榜单刷新，它更像是一场关于“机器到底能多像人”的深度探索。自然语言处理、计算机视觉、强化学习、生成式AI……这些术语背后，是实实在在的生产力变革。

在这轮技术浪潮里，我们看到了不少让人兴奋的突破：AI系统在复杂推理、多任务处理和创造性思考上，甚至达到了接近或超越人类的水平。比如DeepSeek这类国产智能搜索引擎，不只是在信息检索上表现突出，在特定领域的适应性也相当亮眼。更重要的是，AI的应用已经渗透到医疗、教育、金融等各个行业，数字化的车轮滚滚向前。身处这个时代，既需要开放拥抱，也得保持一份谨慎的敬畏。

这篇文章主要聚焦于如何离线搭建DeepSeek-R1，面向企业级开发场景。当然，如果你只是想体验一下，直接去官网即可。但对于那些受困于官方线上环境访问体验（毕竟火爆的访问量加上持续不断的Dos攻击，确实让人头疼）的朋友来说，本地部署无疑是一个更稳定、更可控的选择。

搭建准备

• 下载安装：Ollama
• 下载安装：Docker

基础概念

先说说Ollama。它是一个开源的大模型本地部署平台，核心思路就是让开发者能在自己的服务器上跑LLM（大语言模型），比如GPT-3或者ChatGPT的变体，并通过RESTful API提供服务。Ollama的魅力在于，它能在资源有限的环境中高效进行本地推理，响应速度也相当不错。下面是一些基础指令，方便快速上手：

#1.启动ollama服务
ollama serve

#2.创建模型 (create)
ollama create /path/to/Modelfile

#3.显示模型信息 (show)
ollama show model_name

#4.列出所有模型 (list)
ollama list
ollama ls

#5.运行模型 (run)
ollama run model_name

#6.列出正在运行的模型 (ps)
ollama ps

#7.删除模型 (rm)
ollama rm model_name

#8.查看版本 (version)
ollama -v
ollama --version

#9.复制模型 (cp)
ollama cp old_model new_model

#10.从注册表拉取模型 (pull)
ollama pull model_name

#11.推送模型到注册表 (push)
ollama push model_name

再简单提一下Docker。它是一种容器化平台，把软件和它的依赖环境打包成一个镜像，真正做到“一次封装，到处运行”。这里我们用它来运行open-webui，为后续的DeepSeek-R1提供一个更友好的交互界面。

搭建过程

上面两个工具装好之后，就可以正式开始搭建DeepSeek-R1了。整个过程并不复杂，但有几个关键点需要注意。

• 第一步：在Ollama官网搜索deepseek或deepseek-r1

• 第二步：目前有28个标签，根据自己电脑的配置选择对应版本，复制右侧命令。

数字后面的“b”代表算力参数。这个数值越大，模型的计算量和推理能力就越强，但同时对硬件的要求也越高。选择时一定要和本地硬件匹配，否则跑不动反而浪费。

这里有一份配置对照表，可以作为参考依据。

• 第三步：MAC用户打开终端，Windows用户打开CMD，输入刚才复制的命令

下载完成后，如果出现三个箭头，说明成功了。这时就可以直接在终端里进行问答测试。需要提醒的是，下载速度前期较快，后期可能会越来越慢。如果遇到这种情况，可以手动按Ctrl+C中断，然后重新运行命令，它会接着之前的进度继续下载。

下载成功后，可以用相关命令查询模型信息。

• 第四步：安装WebUI

终端里那种黑框交互方式，显然不符合现代人的使用习惯。我们需要一个像ChatGPT那样友好的图形界面，既能展示对话，也能记录历史。这时候，open-webui就派上用场了。

在Docker客户端中打开终端，输入以下命令：

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

命令拆解：

• docker run：启动一个新容器。
• -d：后台运行，避免终端被占用。
• -p 3000:8080：将本机的3000端口映射到容器内的8080端口。这样，访问本机3000端口就能直接进入WebUI。
• --add-host=host.docker.internal:host-gateway：添加一个主机名映射，让容器能访问本机网络中的其他服务（比如本地数据库）。
• --name open-webui：给容器取个名字，方便后续管理。
• ghcr.io/open-webui/open-webui:main：从GitHub Container Registry拉取镜像。
• --restart always：设置自动重启策略，确保容器挂掉后能自动拉起来。
• -v open-webui:/app/backend/data：挂载一个匿名卷，把容器内的数据持久化到本机，防止丢失。

这条命令执行后，WebUI服务就启动了。外部用户可以通过本机的3000端口访问，数据也会被持久保存。

访问

WebUI的本地访问地址是：http://localhost:3000/

登录成功后，就可以在界面中选择我们下载好的模型，开始对话了。

对话测试

以上就是DeepSeek-R1本地搭建的全过程。聊完这些，个人觉得最让人眼前一亮的，还是DeepSeek独有的思考过程展示。与ChatGPT相比，它会把推理的中间步骤呈现出来，这个体验相当独特，也让人对模型的“思维方式”有了更直观的理解。

总结