《从零开始DeepSeek R1搭建本地知识库问答系统》二：Ollama 部署 DeepSeek R1 蒸馏模型及Api测试

前言

最近推出的 DeepSeek R1 异常火爆，我也想趁此机会捣鼓一下，实现 DeepSeek R1 本地化部署并搭建本地知识库问答系统，其中实现的思路如下：

  1. 使用 windows 11 WSL2，创建子系统Linux，并使用 Anaconda 创建 pythn 环境。（本章内容）
  2. 下载 DeepSeek R1 蒸馏模型，使用 Ollama 框架作为服务载体部署运行。
  3. 基于 LangChain 构建本地知识库问答 RAG 应用。
  4. 利用 FastApi 框架，搭建后端服务系统。
  5. 使用 vue3 + ElementPlus 作为前端ui框架，实现问答系统前端功能。
  6. 不依赖于 Langchain 框架，而选择 LightRAG 架构，构建 RAG。

一、准备工作

由于我的显卡显存有点小，DeepSeek R1 蒸馏模型选择的是 DeepSeek-R1-Distill-Qwen-7B · 模型库。
由于只是个人使用，不需要太高的并发，部署模型引擎选择 Ollama。

热门推理引擎对比

部署或推理模型会用到以下几种热门的推理引擎，分别是：

原生启动：

  1. Hugging Face 的 transformers 库，这是一个比较原生的推理架构，需要写一些底层代码来启动。这个库更多用在模型微调或推理方面上。

部署模型引擎：

有自己的启动方式，部署简单，往往只需要输入 sever 命令行直接启动即可。

  1. SGLang

    • 场景：企业级高并发服务（如在线客服、实时数据分析）、需结构化输出的应用（如JSON解析）、多模态交互需求。
    • 优势：通过RadixAttention和零开销调度优化性能，适合需要极致吞吐量和低延迟的场景。
    • 限制：仅支持Linux系统，依赖高端GPU。

  2. Ollama

    • 场景：个人开发者原型验证、学生辅助学习、轻量级创意写作、本地快速部署。
    • 优势：安装简便（跨平台支持）、模型库丰富、内存占用低，适合资源有限设备。
    • 限制：并发处理能力弱，不适合大规模服务。

  3. vLLM

    • 场景：大规模在线服务（如实时聊天机器人）、多GPU集群部署、高吞吐量研究项目。
    • 优势：PagedAttention和连续动态批处理显著提升GPU利用率，支持量化技术（GPTQ/AWQ）降低显存占用。
    • 限制：仅支持Linux，配置复杂度高。

  4. LLaMA.cpp

    • 场景：边缘设备（树莓派）、移动端应用、本地低功耗推理、量化模型实验。
    • 优势：量化技术成熟（K-quant）、跨平台兼容性强，在Apple Silicon设备上表现突出。
    • 限制：命令行操作门槛较高，性能受硬件限制。
框架性能表现易用性硬件需求模型支持部署方式系统支持
SGLang零开销批处理（吞吐量提升1.1倍）、缓存感知负载均衡（提升1.9倍）、结构化输出快10倍需技术基础，提供完整API和示例推荐A100/H100，支持多GPU全面支持主流模型（Llama、Gemma等），优化DeepSeek等模型Docker、Python包Linux
Ollama继承LLaMA.cpp的高效推理，速度实测比LLaMA.cpp快近2倍4小白友好，提供图形界面、一键安装和REST API兼容CPU/GPU，资源管理简便支持1700+模型（Llama、Qwen等），支持自定义模型独立应用、Docker、REST API全平台（Win/macOS/Linux）
vLLMPagedAttention技术优化显存，动态批处理提升吞吐量24倍12配置复杂，需技术基础NVIDIA GPU（推荐A100/H100）支持Hugging Face主流模型Python包、OpenAI兼容API、Docker仅Linux
LLaMA.cpp多级量化（2-8bit）、跨平台优化（ARM/x86/Apple Silicon）命令行为主，提供多语言绑定和APICPU/GPU均可，低资源设备优化支持GGUF格式模型，适配LLaMA系列命令行工具、API服务器、多语言绑定全平台

选型建议

  • 企业级高并发：优先选择 SGLang（性能极致）或 vLLM（多GPU优化）。
  • 个人/轻量级应用：推荐 Ollama（易用性最佳）或 LLaMA.cpp（低资源设备适配）。
  • 跨平台与边缘部署：LLaMA.cpp 是首选，支持全平台和量化。
  • 研究开发：vLLM 适合探索高效推理技术，SGLang 适合结构化输出需求。

二、Ollama 部署

1. 下载并安装 Ollama

还没看上一章的同学请先前往学习，再来本章继续看。

Download Ollama on Linux

打开 Ubuntu 终端，切换到 r1 python 环境，输入如下命令行：

bash
 代码解读
复制代码

# 切换到 r1 虚拟环境
conda activate r1

# 下载 ollama
curl -fsSL https://ollama.com/install.sh | sh

# 验证ollama是否已成功安装
ollama -v

2. Ollama 加载模型

Ollama 加载模型有两种方式：

1. Ollama 社区下载

打开 Ollama 官网 点击左上角的 Models 。可以看到，列表第一个就是 deepseek-r1 模型

image.png

点击进去，可以看到具体的模型类型，在左侧点击选中 7B 选项，右边可以看到命令行更新为：ollama run deepseek-r1:7b，可按照需求下载想要的蒸馏模型：

image.png

复制命令行，回到 Ubuntu 终端，粘贴命令行：

bash
 代码解读
复制代码
ollama run deepseek-r1:7b

等待模型下载，下载完成的模型路径在 /usr/share/ollama/.ollama/models 里。

ollama 下载模型的路径可以自行修改，只是有一点点麻烦，这里不过多赘述。

2. 加载自定义模型（常用）

有时候我们需要自己下载模型，或者已调试过的模型，此时社区的模型不够满足需求。所以需要将自定义的模型注册到Ollama中，说白了就是让 Ollama 知道自定义模型的路径在哪里。

Ollama 只支持 GGUF 格式的模型，并采用 Modelfile 文件方式导入。我们在下载模型的时候，需要找到下载已量化的，具有GGUF后缀格式的模型。

由于 Hugging Face 需要搭梯子才能访问，国内一般都去 模型库首页 · 魔搭社区 这里来下载模型。

在魔塔社区里搜索模型，查找具有 GGUF 的来下载，现在点击 DeepSeek-R1-Distill-Qwen-7B-GGUF · 模型库：

image.png

在上方点击模型文件，会有很多不同的量化版本的模型供我们下载，我们选择 Q4_K_M 的模型文件下载即可。

image.png

只需要下载上图中红框标出来的三个文件。

Q4_K_M 的意思是4位量化，且是对称量化，Ollama 对 Q4_K_M 量化更友好，需要的显存也会低很多，如果显存足够的同学，可以选择更高位数的量化版本，模型回答准确率也更高一些。

量化过的模型，可以减少模型的大小和计算复杂性，同时尽可能减少精度损失，加快推理速度，并且运行占用的显存更少，适合资源受限的场景使用。

其实在 Ollama 社区下载的模型也是经过量化的，只不过是 Ollama 自己的方式来量化模型。

下载好模型后，创建一个文件夹，名为 DeepSeek-R1-Distill-Qwen-7B-GGUF，将这三个文件存放进去。

在子系统 Linux 主目录下，创建 Proje/Models 目录，将这个文件夹复制到里面去，并将后缀为 Zone.Identifier的三个文件删除。

image.png

新建一个 Modelfile 文件，填写如下文本：

Modelfile
 代码解读
复制代码
FROM ./DeepSeek-R1-Distill-Qwen-7B-Q4_K_M.gguf

image.png

保存好后，接着打开 Ubuntu 终端，切换 r1 环境，cd 进入到模型文件目录，接着运行下面命令行，将模型注册到 Ollama 中：

bash
 代码解读
复制代码
# 切换 r1 环境
conda activate r1
# 进入模型目录
cd Project/Models/DeepSeek-R1-Distill-Qwen-7B-GGUF
# 模型注册到 Ollama ，名字为 deepseek-r1-7b
ollama create deepseek-r1-7b -f Modelfile
# 查看 ollama 注册列表
ollama list

注册模型填写的名字尽可能简单，不然后面敲命令行会累死。

image.png

如果 Ollama 注册列表有名字，则说明注册模型成功。

3. 运行模型

执行命令：

js
 代码解读
复制代码
ollama run deepseek-r1-7b

image.png

运行成功后就可以发消息了，我发了一句：你好，请介绍一下你自己。

结果它回答的……emmmm，好像还不错。

image.png

从任务管理器中可以发现，显存占用了 6.6G，我的老显卡还能再坚持坚持。

其它 Ollama 命令行：
查看模型列表: ollama list
查看当前运行模型： ollama ps
关闭模型： ollama stop deepseek-r1-7b
删除模型： ollama rm deepseek-r1-7b

3. 测试 Ollama Api

当然，用终端来实现对话，想想都觉得不够优雅。现在，我们掏出老朋友 Apifox。

我相信肯定有靓仔说，这不就是接口请求嘛，这也叫优雅？

欸？靓仔先别着急，凡事要一步一步来。仔细想想，有了请求接口，后面能干嘛知道吧？可以和前端通信了啊，前端可以写一个漂亮的界面，或者直接嵌入到已有的前端项目，对话聊天直接通过接口调用就好了。

在微软官方的 WSL 教程里，使用 WSL 访问网络应用程序 | Microsoft Learn，可以知道，windows 访问 wsl2 子系统的 IP 地址，直接使用 localhost 即可。

Ollama 的 Restful Api 接口文档在这里：ollama/docs/api.md，可以发现，其中的对话 Api 接口为：

POST /api/chat

使用例子如下：

js
 代码解读
复制代码
curl http://localhost:11434/api/chat -d '{
  "model": "deepseek-r1-7b",
  "messages": [
    {
      "role": "user",
      "content": "请讲一段笑话。"
    }
  ],
  "stream": false
}'

当然，这个是 Linux 请求 url 的写法。我们可以知道的是：

ollama 默认启动服务的端口为：11434。
/api/chat 通过 post 请求，请求 body 为一个 json 数据。现在json参数里的 stream: false，意思是关闭流式响应，等所有回答完成后，再返回 Response 数据，如果改成 stream: true ，那么就可以实现流式输出文字。

1. ApiFox 创建 post 请求

打开 ApiFox 新建项目为：knowledge-qa-deepseek

image.png

进入项目后点击右上角选择开发环境，然后点击右侧的 ≡ 图标：

image.png

将开发环境的前置 url 改成：https://localhost:11434，点击保存，关闭。

image.png

接着点击新建接口：

  1. 改成 post 接口，输入框输入 /api/chat。
  2. 点击 Body。
  3. 点击 json。
  4. 粘贴上面的json。
  5. 保存接口。

image.png

设置完成后，发送数据，可以发现，返回相应有数据了。当然因为关闭了流式响应，所以需要等待的时间有一丢丢长，等大模型一次性回答完后，才会返回数据。
（提前已经启动了 Ollama deepseek-r1-7b 模型）

image.png

有了返回响应后，该知道怎么做了吧？ 好了剩下的丢给前端小姐姐搞定了（23333）。

靓仔们也可以试一下，设置 stream：true，看看返回的响应是啥。

Ollama 返回的流式响应的数据是二进制对象流，所以，在 ApiFox 返回响应中，将内容格式改为: Binary。

image.png

返回响应是一截一截的 json 对象流。

image.png

流式响应的数据，前端是浏览器端的话，需要做一些特殊的处理。这个在后面的章节实现前端ui框架时，再细说。

2. 前端 JavaScript 处理流式响应的坑

给使用 JavaScript 的同学提个醒！

浏览器端处理流式响应，想要完美体验 请使用 Fetch API。

Axios 无法使用stream来直接处理真正的流式响应（但 Node.js 中可以使用 stream），这与浏览器底层 HTTP 请求实现的限制有关。

为什么浏览器中的 Axios 不能直接处理流？

1. 底层机制差异

  • Node.js 环境：Axios 使用 Node.js 的 http 模块，天然支持流式传输（responseType: 'stream'），数据可以逐块（chunk）接收。

  • 浏览器环境：浏览器端 Axios 基于 XMLHttpRequest，而 XMLHttpRequest 的 responseType 属性不允许设为 stream，合法值仅有： arraybuffer | blob | document | json | text。

即使服务端返回流式响应（如 text/event-stream 或分块数据），浏览器也无法通过 Axios 直接以流的形式逐块解析数据。Axios 在浏览器中只能一次性接收完整响应，再通过字符串或文本处理模拟“流式效果”。

2. 如果必须使用 Axios

可以通过更改 responseType: 'text' 和 手动分块处理 模拟流式效果，但存在以下问题：

  • 数据完整性风险：依赖服务端分块的准确性，需维护缓冲区（buffer）处理不完整数据。
  • 性能损失：需手动分割字符串，效率低于原生流式处理。

3. 简单的代码测试

这里使用 JavaScript 代码简单的测试一下如何对 Ollama Api 进行流式响应：

js
 代码解读
复制代码
// fetch 请求，stream 流式响应
async function fetchStreaming() {
    const response = await fetch('http://localhost:11434/api/chat', {
      method: 'POST',
      headers: { 'Content-Type': 'application/json' },
      // 请求传递给 ollama 数据
      body: JSON.stringify({
        model: 'deepseek-r1-7b',
        messages: [
          {
            role: 'user',
            content: '请讲一段笑话。'
          }
        ],
        stream: true
      })
    })

    if (!response.body) {
      throw new Error('Response body is null')
    }
    // 读取数据流
    const reader = response.body.getReader()
    // 文本解码器
    const decoder = new TextDecoder()
    let buffer = ''

    while (true) {
      const { done, value } = await reader.read()
      if (done) break

      buffer += decoder.decode(value, { stream: true })
      const lines = buffer.split('\n')
      buffer = lines.pop() || ''

      for (const line of lines) {
        if (line.trim()) {
          try {
            const data = JSON.parse(line)
            // 实时输出
            console.log(data.message.content)
          } catch (err) {
            console.error('解析错误:', err)
          }
        }
      }
    }
  }

  fetchStreaming()

结果如图所示：

image.png

再让前端小姐姐稍微润色一下，就可以完美的实现流式回答了。

结语

现在已经成功通过 Ollama 部署 DeepSeek-R1-7B 蒸馏模型，并且简单的测试了一下 Ollama 的 Api。

下一章开始利用 LangChain 搭建本地知识库问答系统了。

注：本文转载自juejin.cn的YuiGod的文章"https://juejin.cn/post/7470345587309854774#heading-13"。版权归原作者所有，此博客不拥有其著作权，亦不承担相应法律责任。如有侵权，请联系我们删除。
复制链接
相关推荐
发表评论

评论记录：

未查询到任何数据！