24 年 7 月读完暗涌那篇《揭秘 DeepSeek：一个更极致的中国技术理想主义故事》后，在flomo上记下了其中非共识的对话，也忽然意识到，或许梁文锋就是在践行段永平口中所谓"做对的事情，把事情作对"，一切信念都基于对真正价值的尊重和判断。
1、写在前面
我在日常 AI 编程里，除高频使用Cursor和Windsurf 外，Cline+DeepSeek V3 也会间歇使用，体验丝滑，价格感人。1/20 初步体验了下 DeepSeek R1 后第一反应是，在 Cursor 里使用 gpt o1 3块一次的请求，真是冤大头。。
Anyway，这篇和各位介绍下如何在电脑本地通过 Ollama+Docker+Open WebUI 部署 DeepSeek R1，目的是为了上手体验下在 DeepSeek 这种 RL 方法下，小模型的蒸馏效果究竟如何。最后设想了三种身边最近的使用场景，等待后续继续测试。
先说结论，DeepSeek-R1-Distill-Qwen-7B 的测试效果很惊艳，CoT 过程可圈可点，25 年应该值得探索更多端侧的硬件机会。
2、部署过程
2.1、 下载 Ollama
访问 Ollama 的官方网站 https://ollama.com/library/deepseek-r1， 根据系统提示下载适合自己电脑的版本。
下载完成后，双击安装包进行安装。默认情况下，Ollama 会安装在 C 盘，但为了控制对 C 盘的容量挤压，建议通过在系统变量中添加 OLLAMA_MODELS 环境变量来指定模型文件的存储路径。
2.2、 下载 Docker
直接点击官方 https://www.docker.com/， 下载适合自己电脑的版本。
2.3、 下载模型
以 Distill-Qwen-7B 为例，在电脑终端中输入：ollama run deepseek-r1:7b，7b 的模型大概 4.7G 大小，等待模型下载完成之后即可在终端中输入问题进行测试。下一步会演示如何在 open webui 中使用。
2.4、 部署 open webui
在终端中运行下述命令后，可以自动在 docker 中完成部署，然后在本地浏览器中使用 docker run -d -p 8080:8080 --add-host=host.docker.internal:host-gateway -e OLLAMA_BASE_URL=http://host.docker.internal:11434 ( http://host.docker.internal:11434 ) --name open-webui ghcr.io/open-webui/open-webui:main
Open-WebUI 提供了丰富的功能和界面，如直观的聊天界面、Markdown 和 LaTeX 支持、网页浏览能力、提示预设支持等，极大地提升了用户体验。通过 RLHF 注释功能，用户可以对消息进行评级，以创建强化学习数据集，用于训练或微调模型。
3、应用场景设想示例
3.1、 贷款行业客户经理：移动端本地化风控分析
在手机或电脑本地部署量化后的 DeepSeek 1.5B 模型（约 300MB），支持离线推理。输入客户脱敏数据（如近 6 个月银行流水、近 12 个月发票等），模型输出综合风险评分及关键风险点（如"现金流波动率高于行业均值 30%"）。
3.2、 中小微工厂企业主：生产数据智能分析
在工厂办公电脑部署 7B 模型，读取本地 Excel。排产优化：基于历史订单数据预测交付周期，推荐最佳排产序列。设备预警：分析传感器日志，提前 7 天预测设备故障概率（如"冲压机轴承磨损风险 85%"）。良品率归因：识别关键工艺参数（如"温度波动>±2℃时良品率下降 20%"）。无需云端订阅费，生产数据完全自主控制。
3.3、 贷款风控策略人员：本地化特征探索与策略迭代
在个人电脑部署 7B 模型，支持 Python/Jupyter Notebook 交互式分析。自动特征生成：模型解析客户原始数据，输出衍生特征。重要性排序：输出特征贡献度（SHAP 值），指导策略优化。本地模拟不同风控策略的效果（如"将收入负债比阈值从 50%调整至 55%"），预估坏账率变化。进一步实现敏捷开发：例如把策略迭代周期从 2 周缩短至 1 天。
如火如荼的技术迭代，25年是值得期待的一年，使用新技术解决新老问题会有更多想象空间，learn by doing.