## 前言  
最近很多小伙伴对AI大模型DeepSeek感兴趣，但担心数据隐私或云服务费用高？别慌！本地部署其实很简单！本文用**最通俗的语言+详细截图**，教你从零完成DeepSeek的本地部署，连命令行小白也能轻松上手！

---

## 一、本地部署前的准备工作  

### 1.1 硬件和软件要求  
**最低配置**（仅供测试）：  
- CPU：4核以上（Intel i5或同级）  
- 内存：16GB  
- 硬盘：50GB可用空间  
- 系统：Windows 10/11 或 Ubuntu 20.04+  

**推荐配置**（流畅运行）：  
- GPU：NVIDIA RTX 3060 及以上（显存≥12GB）  
- 内存：32GB  
- 硬盘：建议SSD，剩余空间≥100GB  

### 1.2 环境安装（以Windows为例）  
#### 步骤1：安装Python  
1. 访问[Python官网](https://www.python.org/downloads/)  
2. 下载 **Python 3.8+** 版本（务必勾选 `Add Python to PATH`）  
3. 安装完成后，打开CMD输入以下命令验证：  
   ```bash  
   python --version  
   # 应显示类似 Python 3.8.10  
   ```

#### 步骤2：安装CUDA（仅GPU用户需做）  
1. 打开[NVIDIA控制面板] → [帮助] → [系统信息] → [组件]  
   - 查看支持的CUDA版本（例如显示 `CUDA 11.3`）  
2. 访问[CUDA Toolkit Archive](https://developer.nvidia.com/cuda-toolkit-archive)  
3. 下载对应版本的CUDA安装包（如11.3）  
4. 安装时选择“自定义安装”，确保勾选`CUDA Development`  

---

## 二、一步步部署DeepSeek  

### 2.1 下载代码和模型  
#### 步骤1：克隆代码库  
打开CMD或PowerShell，逐行执行：  
```bash  
git clone https://github.com/deepseek-ai/deepseek.git  
cd deepseek  
```

#### 步骤2：下载预训练模型  
1. 访问[DeepSeek官网](https://www.deepseek.com/download)（需注册账号）  
2. 找到模型下载链接（例如 `deepseek-model-v1.2.pth`）  
3. 将模型文件放到项目目录的 `models` 文件夹下（若没有则手动创建）  

### 2.2 安装依赖库  
在项目目录下执行：  
```bash  
pip install -r requirements.txt  
```  
**常见问题**：  
- 如果报错 `Could not find a version that satisfies...`，尝试：  
  ```bash  
  pip install --upgrade pip  
  pip install torch==1.12.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113  
  ```

### 2.3 配置文件修改  
1. 打开 `config` 文件夹，复制 `example_config.yaml` 并重命名为 `my_config.yaml`  
2. 用记事本或VSCode编辑以下关键参数：  
   ```yaml  
   model:  
     name: "deepseek-demo"  
     path: "./models/deepseek-model-v1.2.pth"  # 模型实际路径  
     device: "cuda"  # GPU用户填cuda，CPU用户填cpu  
   server:  
     port: 5000      # 服务端口号（避免冲突）  
   ```

---

## 三、启动服务并测试  

### 3.1 启动服务  
在项目根目录执行：  
```bash  
python serve.py --config ./config/my_config.yaml  
```  
看到以下输出表示成功：  
```  
[INFO] 2024-03-01 14:20:00 | Model loaded successfully!  
[INFO] 2024-03-01 14:20:02 | Server running on http://localhost:5000  
```

### 3.2 测试API接口  
#### 方法1：使用curl命令  
```bash  
curl -X POST http://localhost:5000/api/v1/predict \  
     -H "Content-Type: application/json" \  
     -d '{"input": "北京有哪些必去的景点？"}'  
```  
#### 方法2：用Python脚本测试  
创建 `test_api.py`，写入以下代码：  
```python  
import requests  
response = requests.post(  
    "http://localhost:5000/api/v1/predict",  
    json={"input": "如何学习Python编程？"}  
)  
print(response.json())  
```  
运行后应看到类似输出：  
```json  
{  
  "result": "学习Python建议从基础语法开始...",  
  "status": "success"  
}  
```

---

## 四、常见问题与解决方案  

### Q1：GPU显存不足怎么办？  
- 在配置文件中修改 `batch_size: 1`  
- 添加以下参数降低精度：  
  ```yaml  
  model:  
    precision: "fp16"  # 半精度模式  
  ```

### Q2：启动时报错 `No module named 'torch'`  
- 重新安装PyTorch（注意CUDA版本匹配）：  
  ```bash  
  pip install torch==1.12.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113  
  ```

### Q3：如何监控服务状态？  
- 查看日志：`tail -f ./logs/server.log`  
- 使用内置监控接口：访问 `http://localhost:5000/status`

---

## 五、总结与扩展  

本地部署成功后，你还可以：  
1. 通过修改 `config.yaml` 调整模型参数（如温度、生成长度）  
2. 使用Nginx反向代理实现多实例负载均衡  
3. 接入微信机器人或Discord Bot开发智能助手