文章目录
本机运行DeepSeek R1大模型文章如下：
清华大学新闻与传播学院沈阳团队出品的《DeepSeek：从入门到精通》104页PDF
关注【小康师兄】微信公众号，回复【清华大学DeepSeek：从入门到精通】即可获取下载链接。
前言：一场技术平权的除夕夜革命
今天是除夕，本应围炉守岁、盘点旧年。
但当我打开电脑，DeepSeek的最新动态却如一颗深水炸弹，彻底点燃了内心的澎湃。
这个来自中国AI的破局者，又开源了一个AI模型DeepSeek Janus-Pro。
昨天，我们还在讨论DeepSeek可惜没有多模态，今天它就出现了！
我不禁感叹：DeepSeek春节不放假吗，他们的的研究员和开发者春节不休息的吗？
当然，这不重要，重要的是DeepSeek R1 和 DeepSeek Janus 性能强得离谱，关键是训练成本还低，并且全面开源，遵循 MIT 协议，支持商用。
这意味着啥？中小企业的春天要来了！
DeepSeek R1：中小企业手中的「屠龙刀」
当千亿参数不再是巨头的专利，当训练成本压缩至传统模型的1/10，R1用实力诠释了什么叫「小而美，强而悍」：
- 推理性能爆表：单卡部署即可流畅运行，响应速度堪比人类对话，中小企业无需组建豪华算力团队；
- 行业微调零门槛：从医疗问诊到法律咨询，仅需百元级成本即可定制专属垂直模型，告别「通用模型水土不服」的尴尬；
- 知识边界突破：通过RAGFlow实现动态知识库接入，让模型实时「自我进化」，客户问题库就是你的训练数据集。
这一刻，技术垄断的坚冰正在崩裂。
DeepSeek Janus：重新定义AI的「进化论」
如果说R1是开疆拓土的利刃，Janus则是颠覆认知的「基因编辑器」：
- 多模态核爆级突破：文本、图像、代码三位一体，中小企业用一套模型即可打通营销文案、设计草图、程序开发全链路；
- 成本效益比拉满：训练能耗降低60%，推理速度提升3倍，让「用AI养AI」成为可能；
- 场景化开箱即用：预制电商、教育、金融等20+行业解决方案，创业者无需从零造轮子。
这不是AI的「平替」，而是技术民主化的里程碑。
开源不是口号，是刺向垄断的利剑
当OpenAI用API订阅费筑起护城河，DeepSeek选择将代码仓库彻底开放：
- MIT协议商用自由：无需授权费，不限应用场景，中小企业可基于R1打造自有品牌AI产品；
- 本地部署无后门：数据不出本地服务器，彻底解决隐私合规焦虑；
- 开发者生态共建：全球极客共同优化模型，每一次社区贡献都在降低你的使用成本。
这场开源革命，让「技术霸权」成了旧时代的遗物。
就在OpenAI等巨头紧握闭源生态、筑起技术高墙时。
DeepSeek以一场惊艳的「开源起义」，将顶级大模型R1与Janus全量开源，MIT协议商用零门槛！
这不是简单的技术迭代，而是一场为中小企业量身定制的「入场券」，让技术平权的火种在AI寒冬中熊熊燃烧。
我就想直接问一句： 能否基于DeepSeek低成本AI模型，构建企业内部专属的AGI（通用人工智能）？
中型企业的选择：DeepSeek R1微调和训练
中型企业至少能够支撑得起单次将近600万美元的训练成本。
DeepSeek R1是在2048块英伟达H800 GPU集群上运行55天完成的。这些GPU的使用费用是训练成本的主要部分。
考虑到GPU的租赁或购买成本、维护费用以及运行时的能耗等，这部分费用相对较高。约557.6万美元。
除此之外还需要专业AI算法人才。
所以，就算DeepSeek把价格打下来了，普通中小公司也是望尘莫及。
小型企业的选择1：DeepSeek R1 本地部署
难以训练新的模型，那我们就不训练，直接用现成的DeepSeek R1，然后进行本地部署。
想象一下，你不用再依赖别人的服务器，自己在家或者在公司就能搭建一个属于自己的 “智能小助手”。
这样一来，数据安全更有保障，不用担心信息泄露。而且响应速度也更快，用起来别提多爽了。
就好比你有了一个专属的私人秘书，随时待命，还绝对安全可靠。
下面就给大家讲讲具体的本地部署示例：
软硬件环境准备
- 硬件：一台配置还不错的电脑，内存至少 16GB，要是有 NVIDIA GPU（比如 NVIDIA RTX 2060 及以上）那就更完美了，计算速度能快不少。
- 软件：首先得安装 Python，建议版本在 3.7 及以上，它可是运行部署代码的基础。另外，还得安装
Ollama，这是一个用于在本地运行大语言模型的轻量级框架，按照官网（https://ollama.com/ ）的安装指南一步步来就行。安装好后，在终端输入ollama -v，能显示版本号就说明安装成功啦。要是想指定模型的下载路径，比如新建个文件夹（如：H:\Ollama.ollama\models），然后在系统变量里新建个叫 OLLAMA_MODELS 的变量，把新建文件夹的路径填进去就好。
部署步骤
- 打开电脑上的终端，输入
ollama run deepseek-r1:1.5b，这就启动了参数为 15 亿的 DeepSeek R1 模型版本。要是你的电脑性能够强，也可以试试运行更大参数版本的模型，不过可得注意对内存等硬件资源的高要求哦。
部署完成后的测试
等部署好后，咱得测试一下是不是能用。
在终端里按照提示输入一些简单的问题，比如 “今天天气怎么样？” 或者 “给我讲个笑话”，看看 DeepSeek R1 能不能给出合适的回答。
要是能顺利回答，那就说明部署成功啦，你已经拥有一个超厉害的本地智能小助手咯！
DeepSeek R1 结合 RAG
DeepSeek R1 结合 RAG（检索增强生成）技术，能让它的能力更上一层楼。
下面给大家详细讲讲具体示例：
数据准备
假设我们是一家电商企业，有大量的商品介绍文档、用户评价数据。
我们把这些数据整理好，放在一个专门的文件夹里。这些数据就是后续 RAG 系统的 “知识宝库”。
比如商品介绍文档里包含了商品的特性、功能、使用方法等信息，用户评价则反映了实际使用体验和常见问题。
代码实现
-
安装必要库：在命令行中输入
pip install langchain streamlit faiss-cpu huggingface-hub，安装这些用于构建 RAG 系统的关键库。langchain是强大的框架，帮我们处理文档、检索等；streamlit用来搭建交互界面；`faiss-cpu生成向量嵌入和构建向量数据库；huggingface-hub方便获取模型和资源。
-
导入库：在 Python 代码里，先导入要用的库。
import streamlit as st
from langchain_community.document_loaders import TextLoader
from langchain_experimental.text_splitter import SemanticChunker
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_community.llms import Ollama
- 加载并处理文档：利用TextLoader加载整理好的商品数据文档。
loader = TextLoader('your_data_folder_path')
docs = loader.load()
- 文档分块：用SemanticChunker将文档分成小的语义块，方便后续处理。
text_splitter = SemanticChunker(HuggingFaceEmbeddings())
documents = text_splitter.split_documents(docs)
- 创建向量数据库：生成文档的向量嵌入，并存储到FAISS向量数据库。
embeddings = HuggingFaceEmbeddings()
vector_store = FAISS.from_documents(documents, embeddings)
retriever = vector_store.as_retriever(search_kwargs={
"k": 3})
- 配置 DeepSeek R1：实例化基于 DeepSeek R1 的RetrievalQAChain，并设置提示模板。
llm = Ollama(model="deepseek-r1:1.5b")
prompt = """
1. 仅使用以下上下文。
2. 如果不确定，说“我不知道”。
3. 回答保持简洁。
上下文：{context}
问题：{question}
回答：
"""
- 构建问答函数：把检索和生成过程结合，实现回答用户问题。
def answer_query(question):
context = retriever.retrieve(question)
combined_context = "\n".join(context)
response = llm.generate(prompt.format(context=combined_context, question=question))
return response.strip()
- 搭建 Web 界面：用streamlit创建一个简单界面，方便用户提问。
st.title("电商智能问答系统")
user_question = st.text_input("请输入你的问题：")
if user_question:
answer = answer_query(user_question)
st.write("回答：", answer)
运行测试
在终端运行streamlit run your_script_name.py，把your_script_name.py换成实际代码文件名。然后在浏览器打开指定 URL，就能使用这个结合 DeepSeek R1 和 RAG 的电商智能问答系统啦。比如输入 “某款手机的电池续航怎么样？” 系统就会从商品数据里检索相关内容，结合 DeepSeek R1 给出回答。
结语：未来属于敢于破局的人
DeepSeek的火种已点燃整个AI江湖。
这不是终点，而是一个新时代的起点——当技术高墙坍塌，当创新不再被算力绑架。
每一家中小企业的会议室里，都可能诞生下一个颠覆行业的AI奇迹。
记住：技术的终极使命，不是成为少数人的权杖，而是让每个人都能平等地站在未来面前。
这个除夕，DeepSeek给了世界一份最好的新年礼物——而你，准备好接住它了吗？
最后的最后，有需要独立部署和构建个人或企业内部专属AGI的，欢迎联系我，微信：kangweijian。
若觉得文章对你有帮助，随手『点赞』、『收藏』、『关注』，也是对我的支持。