在上一篇文章中我们介绍了如何通过 API 调用 来使用大模型例如通义千问的兼容 OpenAI API 模式。这种方式轻量、灵活但也存在一些限制需要稳定的网络、API Key 管理以及调用成本。在本篇文章里我们转向本地化部署。我将以Ollama 部署 DeepSeek为例展示如何在本地运行大模型并结合 RAG 构建一个完整的问答系统。一、为什么要本地化部署隐私保护所有数据都留在本地不会上传到云端。成本可控避免 API 调用费用尤其适合长对话或批量任务。灵活性可以自由切换模型DeepSeek、Qwen、LLaMA 等甚至加载量化版本以适配不同硬件。离线可用即使没有网络也能运行模型。二、环境准备1.安装Ollama从官网上选择适合自己电脑的版本macOS/Linux/Windows点击下载Ollama 官网下载链接。然后点击安装包进行安装。2.拉取模型以 DeepSeek为例在 CMD 下拉取模型ollama pull deepseek-r1:1.5b从官网模型链接可以看到不同的模型可以选择自己喜欢的模型复制名称下载但要注意模型大小。模型越大、训练程度越高、回答越精准但下载时间越长、占据的内存越大。推荐使用最轻量的最小的模型下载避免电脑带不动这里推荐 deepseek-r1:1.5b。3.测试运行展示你所下载的所有ollama模型在 CMD 输入以下代码ollama list正常会输出一个清单显示你所有下载的模型。接着在本地调用模型在 CMD 输入以下代码ollama run deepseek-r1:7b #改成想运行的模型回车后会出现几个转来转去的点。可以尝试输入一句话如“用一句话介绍温度是什么”模型就会在本地直接回答。示例输出结果温度是指物质中分子热运动的平均程度反映物质内部能量的状态。(4)若想删除某个模型慎重重新下载还需要重新等待在 CMD 输入以下代码ollama rm deepseek-r1:7b #改成想删除的模型三、使用 Python 调用 Ollama 进行本地测试1.环境准备激活我们之前创立的 RAG 环境conda activate D:\my_rag_env #改成自己的环境名称安装ollamapip install ollama2.调用模型from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage llm ChatOpenAI( modeldeepseek-r1:1.5b, # 改成你本地下载的模型名 api_keyollama, # 占位符即可 base_urlhttp://localhost:11434/v1 # Ollama 的 OpenAI 兼容端点 ) resp llm.invoke([HumanMessage(content用一句话介绍温度是什么)]) print(resp.content)输出示例温度描述的是物体内部部分热运动的平均程度。四、构建本地 RAG 问答系统在 RAG 场景中我们需要 向量库 检索器 本地模型。通过 Ollama 调用本地模型与之前的通过 API 请求调用模型的代码非常相似我们只需要将上一篇的代码中的第三步初始化 Chat 模型这一块改掉就可以其他的都不用动。改动前DashScope# 3. 配置 API Key初始化 Chat 模型 os.environ[DASHSCOPE_API_KEY] sk-xx # 替换为你的API Key chat ChatOpenAI( modelqwen-plus, # 按照需要更换模型名称 api_keyos.environ[DASHSCOPE_API_KEY], base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1, temperature0 )改动后Ollama 本地# 3. 初始化 Chat 模型Ollama 本地 chat ChatOpenAI( modeldeepseek-r1:1.5b, # 改成自己下载的模型 api_keyollama, # 占位符即可 base_urlhttp://localhost:11434/v1, # Ollama 的 OpenAI 兼容端点 temperature0 )依旧向模型提问用一句话介绍温度是什么得到的示例回答如下温度是一个介于0到1之间的数值并且在不同领域中被广泛应用。发现模型已经阅读了我们提供的Prompt教材对温度的定义有了新的看法。5. API 调用 vs Ollama 的区别维度API 调用DashScope/OpenAI本地化部署Ollama部署难度无需本地算力直接调用需下载模型占用磁盘和显存成本按调用计费免费仅算力/电费隐私数据上传到云端数据留在本地性能云端 GPU速度快取决于本地硬件灵活性受限于平台支持的模型可自由切换/量化模型想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容​一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容​2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”