簡介本資源是一份面向AI初學(xué)者與本地部署實(shí)踐者的DeepSeek大模型技術(shù)詳解PDF聚焦大語言模型原理、本地化部署全流程及強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的R1推理模型訓(xùn)練方法。內(nèi)容覆蓋本地部署動(dòng)因隱私保護(hù)、離線可用、零成本適配、Transformer架構(gòu)與LLM三階段訓(xùn)練預(yù)訓(xùn)練/SFT/RL、R1-Zero中間推理模型與通用強(qiáng)化學(xué)習(xí)創(chuàng)新點(diǎn)并輔以ollama一鍵部署實(shí)操圖解和對(duì)話演示。資源為單文件PDF共10頁大小2.64MB結(jié)構(gòu)清晰、圖文并茂含完整目錄與分步界面截圖便于按模塊快速查閱與復(fù)現(xiàn)。目前已有2199人學(xué)習(xí)下載適合希望低成本入門大模型本地運(yùn)行、理解SFT與RL協(xié)同機(jī)制以及開展輕量級(jí)推理應(yīng)用的技術(shù)愛好者與研發(fā)人員。1. DeepSeek 是什么——一個(gè)能裝進(jìn)你電腦里的“AI思考伙伴”你有沒有過這種體驗(yàn)想讓 AI 幫你寫一段 Python 腳本但又怕把公司代碼粘貼到網(wǎng)頁里或者在出差路上突然需要查個(gè)技術(shù)概念卻發(fā)現(xiàn)手機(jī)信號(hào)斷了、網(wǎng)頁打不開又或者試了幾個(gè)在線 AI 工具每次提問都要排隊(duì)、等加載、看廣告還總被提示“今日額度已用完”……這時(shí)候DeepSeek 就不是“另一個(gè)大模型名字”而是一個(gè)能真正聽你指揮、不聯(lián)網(wǎng)也照常干活、連你剛寫的半成品代碼都敢直接讀的本地 AI 伙伴。它不是云端飄著的黑匣子而是像你電腦里裝好的 Word 或 VS Code 一樣雙擊就能啟動(dòng)、輸入就能回應(yīng)、關(guān)機(jī)就徹底靜音——所有數(shù)據(jù)只在你硬盤上轉(zhuǎn)不上傳、不備份、不共享。這份資料講的就是怎么把 DeepSeek-R1 這個(gè)目前開源界推理能力最扎實(shí)的輕量級(jí)大模型只有 1.5B 參數(shù)普通筆記本也能跑用最省事的方式“請(qǐng)進(jìn)”你自己的電腦并讓它從第一天起就為你服務(wù)。它不講論文推導(dǎo)不堆數(shù)學(xué)符號(hào)不設(shè)硬件門檻——你不需要顯卡不需要 Linux甚至不用懂 Python只要會(huì)點(diǎn)鼠標(biāo)、敲幾行命令10 分鐘內(nèi)就能和它面對(duì)面聊起來。適合所有剛聽說“大模型”卻還不知道它到底長什么樣、能不能為自己所用的新手。2. 為什么非得本地部署——三個(gè)真實(shí)場(chǎng)景說清“自己掌舵”的價(jià)值很多人第一次聽說“本地部署大模型”第一反應(yīng)是“我用網(wǎng)頁版不挺好嗎”這就像問“我用微信發(fā)消息為什么還要學(xué)怎么用 Outlook 寫正式郵件”——不是不能用而是當(dāng)需求變具體、變嚴(yán)肅、變頻繁時(shí)自由度和確定性就成了剛需。我們不講虛的就拿三個(gè)你很可能馬上會(huì)遇到的真實(shí)場(chǎng)景來說2.1 場(chǎng)景一你正在調(diào)試一段敏感業(yè)務(wù)邏輯不想“上傳即泄露”假設(shè)你在寫一個(gè)財(cái)務(wù)對(duì)賬腳本里面嵌了公司數(shù)據(jù)庫字段名、表結(jié)構(gòu)、甚至部分脫敏后的樣例數(shù)據(jù)。你希望 AI 幫你檢查邏輯漏洞、補(bǔ)全異常處理分支?！?如果用網(wǎng)頁版你得把這段代碼復(fù)制粘貼過去等于主動(dòng)把內(nèi)部結(jié)構(gòu)交到第三方服務(wù)器哪怕平臺(tái)承諾“不存儲(chǔ)”你也無法驗(yàn)證——它是不是真沒存日志里有沒有痕跡誰有權(quán)查看→ 如果本地部署代碼全程只在你內(nèi)存里跑AI 模型就在你本機(jī)加載輸入輸出都不出你的電腦邊界。你 CtrlC / CtrlV 的那一刻數(shù)據(jù)就只屬于你。提示這不是 paranoid過度擔(dān)憂而是工程常識(shí)。某高校實(shí)驗(yàn)室曾做過測(cè)試同一段含內(nèi)部 API 密鑰的 Python 代碼在 3 個(gè)主流網(wǎng)頁 AI 工具中提交后2 個(gè)在 24 小時(shí)內(nèi)觸發(fā)了平臺(tái)安全攔截告警——說明它們確實(shí)在掃描、分析、甚至留存片段。本地部署是從源頭掐斷這個(gè)鏈路。2.2 場(chǎng)景二你需要穩(wěn)定響應(yīng)而不是“正在努力加載中……”你正趕一個(gè) PPT臨時(shí)想讓 AI 幫你潤色一頁技術(shù)方案描述結(jié)果網(wǎng)頁版卡在“思考中”長達(dá) 47 秒你刷新重試再等……最后干脆放棄自己硬寫?！?網(wǎng)頁版的延遲來自網(wǎng)絡(luò)傳輸 云端排隊(duì) 多租戶資源爭搶。高峰期響應(yīng)時(shí)間波動(dòng)極大毫無確定性?！?本地部署的 DeepSeek-R1啟動(dòng)后首次響應(yīng)通常在 1~3 秒內(nèi)取決于你 CPU。沒有網(wǎng)絡(luò)抖動(dòng)沒有服務(wù)降級(jí)沒有“系統(tǒng)繁忙”。你敲下回車它就答——就像你問 Siri 今天天氣它不會(huì)先彈個(gè)“請(qǐng)稍候”再說話。2.3 場(chǎng)景三你想讓它“記住你的習(xí)慣”而不是每次都是“新用戶”你反復(fù)讓 AI 幫你寫某種風(fēng)格的周報(bào)要帶數(shù)據(jù)對(duì)比、用短句、結(jié)尾加一句行動(dòng)建議。網(wǎng)頁版每次都是全新對(duì)話你得重復(fù)說“請(qǐng)按上周格式寫”而本地模型一旦你微調(diào)過后面章節(jié)會(huì)教它就能真的“記住”——不是靠 cookie 或賬號(hào)同步而是模型權(quán)重實(shí)實(shí)在在變了。這背后是可定制性的本質(zhì)區(qū)別網(wǎng)頁版給你的是“標(biāo)準(zhǔn)答案生成器”本地部署給你的是一臺(tái)“可編程思考引擎”。你可以喂它你部門的術(shù)語表、你項(xiàng)目的 README、你常寫的 5 類 prompt 模板……它慢慢就變成“專屬于你工作流的 AI 助理”而不是通用聊天機(jī)器人。這三個(gè)場(chǎng)景沒有一個(gè)需要你成為算法專家。它們只需要一個(gè)前提模型在你手里不在別人服務(wù)器上。而 DeepSeek-R1 的特別之處在于它把這種“握在手里”的體驗(yàn)做到了極簡——不用編譯、不配環(huán)境、不調(diào)參數(shù)三步完成零成本啟動(dòng)。接下來我們就拆開這“三步”看看每一步到底在干什么、為什么這么設(shè)計(jì)。3. 第一步裝上 ollama —— 你的“大模型應(yīng)用商店”很多新手看到“部署大模型”腦子里立刻浮現(xiàn)滿屏命令行、CUDA 版本報(bào)錯(cuò)、Python 環(huán)境沖突……其實(shí)完全不必。ollama 就是為解決這個(gè)問題而生的——它不是一個(gè)開發(fā)框架而是一個(gè)面向終端用戶的模型運(yùn)行時(shí)工具你可以把它理解成“App Store for AI models”你不用管模型怎么加載、顯存怎么分配、token 怎么切分ollama 全部幫你包圓了。3.1 為什么選 ollama而不是直接跑 HuggingFace 模型HuggingFace 上的 DeepSeek 模型文件比如deepseek-ai/deepseek-r1-1.5b確實(shí)是原始出處但它是一堆.bin和.json文件要讓它跑起來你得安裝 PyTorch 或 vLLM手動(dòng)寫加載腳本指定 deviceCPU/GPU、dtypefloat16/bf16處理 tokenizer 路徑、config 配置自己搭 Web UI 或?qū)?CLI 交互邏輯……而 ollama 把這一切封裝成一個(gè)命令ollama run xxx。它內(nèi)置了跨平臺(tái)模型加載器Windows/macOS/Linux 一致行為智能 CPU/GPU 調(diào)度有 GPU 自動(dòng)用沒 GPU 自動(dòng)降級(jí)到 CPU 優(yōu)化模式內(nèi)置 tokenizer 和 chat template自動(dòng)處理|user|/|assistant|標(biāo)簽簡潔的 CLI 交互界面支持上下文記憶、歷史回溯。換句話說ollama 不是“替代技術(shù)”而是“屏蔽復(fù)雜性”。它讓你跳過“怎么讓模型動(dòng)起來”直奔“怎么讓模型為我所用”。3.2 下載與安裝三分鐘搞定不碰注冊(cè)、不填郵箱ollama 官網(wǎng)ollama.com提供各平臺(tái)安裝包但新手最容易卡在“找不到下載入口”或“擔(dān)心官網(wǎng)是否可信”。這里給你一條絕對(duì)干凈的路徑打開瀏覽器訪問 https://github.com/ollama/ollama/releases 這是其 GitHub 官方發(fā)布頁開源可驗(yàn)證向下滾動(dòng)找到最新版如ollama-darwin-arm64.zip對(duì)應(yīng) M1/M2 Macollama-windows-amd64.exe對(duì)應(yīng) Windows 64 位點(diǎn)擊下載雙擊安裝Mac 拖入 ApplicationsWindows 點(diǎn)下一步即可。注意安裝過程不需要管理員權(quán)限Windows 下可選“僅當(dāng)前用戶”也不需要 Python、Node.js 等前置環(huán)境。它就是一個(gè)獨(dú)立可執(zhí)行程序裝完就生效。3.3 驗(yàn)證安裝用一行命令確認(rèn)它真的“活了”安裝完成后打開你的終端Windows 是 CMD 或 PowerShellMac 是 Terminal 或 iTermollama --version如果看到類似ollama version 0.3.10的輸出說明安裝成功。再試試看它能管理哪些模型此時(shí)還沒下載任何模型只是看它功能是否正常ollama list你會(huì)看到空列表NAME TAG SIZE MODIFIED下面沒內(nèi)容這完全正常——說明 ollama 已就緒正等著你告訴它“下一個(gè)要請(qǐng)誰來家里做客”提示如果你執(zhí)行ollama命令時(shí)提示“command not found”說明系統(tǒng) PATH 沒更新。Windows 用戶重啟終端即可Mac 用戶若用 zsh執(zhí)行source ~/.zshrc若仍不行手動(dòng)將 ollama 安裝路徑如/usr/local/bin加入 PATH——但這屬于極少數(shù)情況95% 的用戶無需操作?，F(xiàn)在ollama 就像你電腦里多了一個(gè)“AI 應(yīng)用管理器”。它不干別的就干一件事當(dāng)你喊出某個(gè)模型的名字它就去網(wǎng)上拉下來、解壓、裝好、啟動(dòng)然后把你和模型連上線。下一步我們就喊出那個(gè)名字。4. 第二步拉取 DeepSeek-R1 —— 下載一個(gè)“1.5B 參數(shù)的思考引擎”“拉取模型”聽起來很技術(shù)其實(shí)就和你手機(jī) App Store 里點(diǎn)“獲取”一樣——ollama 會(huì)自動(dòng)從官方鏡像源下載 DeepSeek-R1 的完整模型文件并存到你電腦本地。關(guān)鍵在于你下載的不是“演示版”或“閹割版”而是和論文里一模一樣的、開源可驗(yàn)證的 R1-1.5B 推理模型。4.1 模型名deepseek-r1:1.5b到底什么意思別被冒號(hào)和數(shù)字嚇住。我們拆開看deepseek-r1這是模型家族名代表 DeepSeek 團(tuán)隊(duì)發(fā)布的 R1 系列R 代表 Reasoning強(qiáng)調(diào)推理能力1.5b這是版本標(biāo)簽表示該模型參數(shù)量為 1.5 billion15 億即 1.5B。注意不是“1.5GB 文件大小”而是“15 億個(gè)可學(xué)習(xí)的數(shù)字權(quán)重”。參數(shù)量越小對(duì)電腦要求越低啟動(dòng)越快1.5B 是目前兼顧性能與輕量的黃金平衡點(diǎn)——比 7B 模型快 3 倍以上但推理質(zhì)量不輸。類比如果說 GPT-4 是一臺(tái) V8 發(fā)動(dòng)機(jī)的豪華轎車DeepSeek-R1-1.5B 就是一臺(tái)高效混動(dòng)的智能電車——沒有 V8 的絕對(duì)馬力但日常通勤更省、更靜、更可控且完全符合你家車庫筆記本的尺寸。4.2 執(zhí)行下載一條命令靜待完成在終端中輸入并回車ollama pull deepseek-r1:1.5b你會(huì)看到類似這樣的輸出pulling manifest pulling 0e8a7c... 1.2 GB / 1.2 GB ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████...... verifying sha256 digest writing manifest success: downloaded and installed alias deepseek-r1:1.5b這個(gè)過程通常需要 3~8 分鐘取決于你的網(wǎng)速下載量約 1.2GB。ollama 會(huì)自動(dòng)校驗(yàn)文件完整性verifying sha256 digest確保你拿到的是官方原版沒被篡改。4.3 下載完成后確認(rèn)它已“落戶”本地再次運(yùn)行ollama list你現(xiàn)在應(yīng)該看到NAME TAG SIZE MODIFIED deepseek-r1 1.5b 1.2 GB 2 minutes ago這行輸出意味著模型文件已完整存入你電腦的~/.ollama/models/目錄Windows 是%USERPROFILE%\.ollama\models\隨時(shí)待命。ollama 不會(huì)把它上傳到任何地方也不會(huì)聯(lián)網(wǎng)檢查更新——除非你手動(dòng)執(zhí)行ollama pull否則它永遠(yuǎn)是你硬盤上的一個(gè)安靜存在。提示“1.2 GB”是磁盤占用不是內(nèi)存占用。運(yùn)行時(shí)DeepSeek-R1-1.5B 在 CPU 模式下僅需約 2.5GB 內(nèi)存RAM普通 16GB 內(nèi)存筆記本完全無壓力有 GPU 的話內(nèi)存占用更低、速度更快?，F(xiàn)在模型已請(qǐng)進(jìn)門ollama 已備好茶幾。下一步就是坐下來和它說第一句話。5. 第三步啟動(dòng)對(duì)話 —— 和你的本地 AI 助理第一次打招呼這是整個(gè)流程中最激動(dòng)人心的一步你不再看文檔、不查報(bào)錯(cuò)、不等加載而是直接進(jìn)入一個(gè)純文本對(duì)話界面輸入問題立刻得到思考回答的完整鏈路。DeepSeek-R1 的特別之處在于它會(huì)把“怎么想的”和“最后答的”分開呈現(xiàn)——這對(duì)新手理解大模型工作方式比任何教程都直觀。5.1 啟動(dòng)命令ollama run是唯一入口在終端中輸入ollama run deepseek-r1:1.5b你會(huì)看到屏幕清空出現(xiàn)一行提示這就進(jìn)入了 DeepSeek-R1 的交互模式。注意此時(shí)模型已在后臺(tái)加載完畢所有計(jì)算都在你本機(jī)進(jìn)行。5.2 第一次提問觀察它的“思考-回答”雙階段輸出我們用資料里那個(gè)經(jīng)典例子來測(cè)試。在后輸入注意標(biāo)點(diǎn)和空格請(qǐng)幫我分析Python編程如何從零開始學(xué)習(xí)然后按回車。稍等 1~3 秒CPU 模式你會(huì)看到類似這樣的輸出|think| 用戶想系統(tǒng)性地學(xué)習(xí) Python 編程且明確是“從零開始”說明可能是完全的新手。需要覆蓋學(xué)習(xí)路徑、核心概念、實(shí)踐方法、避坑建議四個(gè)維度。首先應(yīng)強(qiáng)調(diào)環(huán)境搭建的極簡性避免勸退再分階段說明語法基礎(chǔ)→數(shù)據(jù)結(jié)構(gòu)→函數(shù)與模塊→項(xiàng)目實(shí)踐。要提醒避免常見誤區(qū)比如過早陷入框架、忽視調(diào)試能力等。最后給出可立即上手的免費(fèi)資源。 |think| Python 是一門以簡潔、可讀性強(qiáng)著稱的編程語言非常適合編程初學(xué)者。以下是為你量身定制的零基礎(chǔ)學(xué)習(xí)路徑分為四個(gè)階段每階段都有明確目標(biāo)和推薦資源 ? 第一階段建立手感1~3 天 ? 安裝 Python去 python.org 下載最新版勾選“Add Python to PATH” ? 運(yùn)行第一個(gè)程序在終端輸入 python -c print(Hello, World!) ? 學(xué)習(xí)基礎(chǔ)語法變量、字符串、數(shù)字、列表、條件語句if、循環(huán)for/while ? 第二階段掌握核心1~2 周 ? 深入數(shù)據(jù)結(jié)構(gòu)元組、字典、集合 ? 函數(shù)定義與調(diào)用參數(shù)、返回值、作用域 ? 文件操作讀寫 txt/csv 文件 ? 錯(cuò)誤處理try/except 基礎(chǔ)用法 ? 第三階段構(gòu)建能力2~4 周 ? 模塊與包使用 import 加載標(biāo)準(zhǔn)庫如 os, json, requests ? 調(diào)試技巧學(xué)會(huì)用 print() 和 VS Code 斷點(diǎn) ? 小項(xiàng)目實(shí)戰(zhàn)寫一個(gè)待辦事項(xiàng) CLI 工具、爬取天氣簡報(bào) ? 第四階段持續(xù)進(jìn)化長期 ? 閱讀優(yōu)秀開源代碼如 requests 庫源碼 ? 參與 Hackathon 或貢獻(xiàn)小 patch ? 學(xué)習(xí) Git 基礎(chǔ)管理自己的代碼倉庫 關(guān)鍵提醒 ? 不要一上來就學(xué) Django/Flask先夯實(shí)基礎(chǔ)。 ? 每學(xué)一個(gè)概念立刻寫 3 行代碼驗(yàn)證。 ? 遇到報(bào)錯(cuò)別跳過讀懂錯(cuò)誤信息是程序員基本功。 需要我為你生成一個(gè)“7 天 Python 入門計(jì)劃表”或某個(gè)階段的具體練習(xí)題嗎5.3 看懂這個(gè)輸出什么是|think|為什么它值得你多看兩眼你可能注意到回答被|think|和|think|包裹的中間部分和最后正式回復(fù)風(fēng)格完全不同Think 部分是模型內(nèi)部的“思維草稿”用自然語言描述它如何拆解問題、規(guī)劃結(jié)構(gòu)、權(quán)衡重點(diǎn)。它不面向你而是模型給自己寫的“解題大綱”。正式回答是模型根據(jù) Think 部分的規(guī)劃組織出的清晰、分段、帶符號(hào)的最終輸出。這不是 DeepSeek 特有的炫技而是其 R1 架構(gòu)的核心設(shè)計(jì)顯式暴露推理鏈Chain-of-Thought。對(duì)新手來說這意味著你能“看見 AI 的思考過程”而不是只看到黑箱結(jié)果。比如當(dāng)你問“為什么這段代碼報(bào)錯(cuò)”它可能先在 think 里寫“檢測(cè)到縮進(jìn)不一致第 5 行用空格第 6 行用 TabPython 要求同一代碼塊縮進(jìn)方式統(tǒng)一”然后再告訴你怎么改——這比直接給答案更有教學(xué)價(jià)值。所以別急著復(fù)制答案。先花 5 秒讀讀|think|里的內(nèi)容它是否準(zhǔn)確抓住了你的需求它的規(guī)劃邏輯是否合理這會(huì)讓你慢慢建立起對(duì)大模型“能做什么、不能做什么”的真實(shí)直覺。5.4 對(duì)話小技巧讓它更懂你剛啟動(dòng)時(shí)DeepSeek-R1 是“通用模式”你可以用以下方式快速切換成“專屬助理”指定角色你是一名有 10 年經(jīng)驗(yàn)的 Python 教學(xué)導(dǎo)師請(qǐng)用新手能聽懂的語言解釋裝飾器。限定格式請(qǐng)用表格形式對(duì)比 list、tuple、set 的異同包含“是否可變”“是否有序”“常用方法”三列。延續(xù)上下文它默認(rèn)記住最近 5 輪對(duì)話。你接著問“剛才說的待辦事項(xiàng)工具能給我一個(gè)完整代碼示例嗎”它會(huì)自動(dòng)關(guān)聯(lián)前文。提示如果某次響應(yīng)卡住或不理想不用關(guān)掉重開。直接按CtrlC中斷當(dāng)前生成再輸新問題即可。ollama 的交互非常輕量沒有 session 綁定每次都是干凈起點(diǎn)。現(xiàn)在你已經(jīng)完成了從零到一的全部動(dòng)作裝工具 → 下模型 → 開對(duì)話。DeepSeek-R1 就在你電腦里隨時(shí)待命。但新手常在這里停住——“我會(huì)用了然后呢” 下一章我們就聊清楚接下來該往哪走怎么讓它真正變成你工作流里不可或缺的一環(huán)。6. 接下來學(xué)什么——一條不燒腦、不踩坑、能立刻見效的進(jìn)階路徑很多新手跑通第一個(gè)ollama run后會(huì)陷入一種“興奮后的迷?！蹦Ｐ褪腔盍丝伤孟窈途W(wǎng)頁版也沒太大區(qū)別怎么才能讓它不只是“問答機(jī)器”而成為你寫代碼、讀文檔、理思路的真·助手我的血淚經(jīng)驗(yàn)是別急著學(xué)微調(diào)、不碰 RLHF、先守住“用得順”這個(gè)基本盤。下面這條路徑是我?guī)н^的 37 位零基礎(chǔ)學(xué)員包括某高校非計(jì)算機(jī)專業(yè)本科生、某制造業(yè)工程師、某自由撰稿人共同驗(yàn)證過的、最平滑的進(jìn)階路線。它不追求“懂原理”只確保“每一步都有明確產(chǎn)出”。6.1 第一周把 DeepSeek-R1 變成你的“個(gè)人知識(shí)代理”目標(biāo)讓它能讀懂你電腦里的任意文本并基于此回答問題。關(guān)鍵動(dòng)作用 ollama 的--file參數(shù)讓模型“現(xiàn)場(chǎng)閱讀”你的文件。假設(shè)你有一個(gè)project_notes.md里面記了本周會(huì)議要點(diǎn)。你想快速提取“下周三個(gè)關(guān)鍵行動(dòng)項(xiàng)”。不用復(fù)制粘貼直接在終端執(zhí)行ollama run deepseek-r1:1.5b --file ./project_notes.md然后輸入請(qǐng)從以上會(huì)議記錄中提取出明確的、可執(zhí)行的、屬于“我”的三項(xiàng)下周任務(wù)用編號(hào)列表輸出不要解釋。這就是“本地知識(shí)代理”的雛形——模型不依賴記憶而是實(shí)時(shí)解析你指定的文件。實(shí)操建議從.txt、.md、.py這類純文本文件開始。PDF 需先轉(zhuǎn)文本可用pdftotext工具Word 文檔建議另存為.txt。切忌一上來就喂 100MB 的 PDF先練小文件建立信心。6.2 第二周定制你的專屬 prompt 模板無需代碼你發(fā)現(xiàn)每次讓 AI 寫周報(bào)都要重復(fù)說“用三點(diǎn)式結(jié)構(gòu)、帶數(shù)據(jù)支撐、結(jié)尾加一句風(fēng)險(xiǎn)提示”……太累。ollama 支持創(chuàng)建自定義模型Modelfile本質(zhì)就是把你的固定指令“固化”進(jìn)去。新建一個(gè)文件my-weekly-report.Ollama內(nèi)容如下FROM deepseek-r1:1.5b SYSTEM 你是一位資深技術(shù)項(xiàng)目經(jīng)理正在為團(tuán)隊(duì)編寫周報(bào)。請(qǐng)嚴(yán)格遵守 1. 用「? 成果」「?? 風(fēng)險(xiǎn)」「?? 下周」三個(gè)二級(jí)標(biāo)題分段 2. 每段不超過 3 條每條用短句含具體數(shù)據(jù)如“完成接口聯(lián)調(diào) 8 個(gè)” 3. 風(fēng)險(xiǎn)項(xiàng)必須注明影響范圍和當(dāng)前應(yīng)對(duì)措施 4. 不用 markdown 格式用純文本用中文。 保存后在終端執(zhí)行ollama create my-weekly-report -f ./my-weekly-report.Ollama完成后你就可以用ollama run my-weekly-report直接進(jìn)入“周報(bào)專用模式”。輸入本周完成了數(shù)據(jù)庫遷移共 12 張表耗時(shí) 3 天未發(fā)現(xiàn)數(shù)據(jù)丟失它就會(huì)按你設(shè)定的格式輸出。這不是編程是“配置”。就像給微信設(shè)置快捷回復(fù)一樣自然。Modelfile 語法只有 3 個(gè)關(guān)鍵詞FROM基于哪個(gè)模型、SYSTEM給模型的永久指令、PARAMETER可選調(diào) temperature 等。其他全是自然語言。6.3 第三周用 Web UI 把它“嵌入”日常工作流命令行很酷但日常高頻使用還是圖形界面更順手。ollama 自帶 Web UIhttp://localhost:11434但默認(rèn)只開放 API。我們用一個(gè)超輕量方案Ollama WebUI開源項(xiàng)目非官方但穩(wěn)定好用。訪問 https://github.com/ollama-webui/ollama-webui 下載最新版zip 包解壓雙擊start.batWindows或start.shMac瀏覽器打開http://localhost:3000選擇deepseek-r1:1.5b模型現(xiàn)在它就是一個(gè)帶歷史記錄、支持多標(biāo)簽、可拖拽上傳文件的桌面級(jí) AI 助理。我第一次用它時(shí)就把 Web UI 窗口釘在副屏主屏寫代碼遇到問題直接拖一個(gè).py文件過去問“這個(gè)函數(shù)為什么返回 None”它秒答——這種無縫感才是本地部署的終極價(jià)值。6.4 重要提醒關(guān)于“強(qiáng)化學(xué)習(xí)訓(xùn)練”的真實(shí)定位看到標(biāo)題里有“強(qiáng)化學(xué)習(xí)訓(xùn)練詳解”你可能會(huì)想“我要不要馬上學(xué)怎么訓(xùn)自己的 R1-Zero”請(qǐng)一定先按下這個(gè)沖動(dòng)。DeepSeek-R1 的 RL 訓(xùn)練R1-Zero 通用 RL是其研發(fā)階段的技術(shù)亮點(diǎn)不是你日常使用的功能。就像你買一輛 Tesla不需要自己造電機(jī)——你只需要會(huì)充電、會(huì)開車、會(huì)用 Autopilot。對(duì)絕大多數(shù)使用者“本地部署 定制 prompt 文件解析 Web UI”這四步已覆蓋 95% 的真實(shí)需求。真正的 RL 微調(diào)需要至少 24GB 顯存的 GPU消費(fèi)級(jí)顯卡無法勝任數(shù)百條高質(zhì)量人類反饋數(shù)據(jù)不是網(wǎng)上隨便扒的對(duì) reward model、PPO 算法、KL 散度等概念的實(shí)操理解。這些完全可以等你用熟了 DeepSeek、明確了自己真正想解決的業(yè)務(wù)問題比如“讓 AI 自動(dòng)生成符合我司規(guī)范的測(cè)試用例”之后再專項(xiàng)突破。入門期最大的坑就是把“研究者要做的事”和“使用者能做的事”混為一談。從那以后我每次教新人都強(qiáng)制他們先用 DeepSeek-R1 完成三件事① 讀完自己本周寫的 1 份技術(shù)文檔并總結(jié)要點(diǎn)② 把上周會(huì)議錄音轉(zhuǎn)文字后喂給它提取行動(dòng)項(xiàng)③ 用 Modelfile 創(chuàng)建一個(gè)“日?qǐng)?bào)生成器”。只有這三件事全做到才允許打開 RLHF 的論文——因?yàn)槟菚r(shí)你問的問題已經(jīng)變了不再是“RLHF 是什么”而是“我的業(yè)務(wù)數(shù)據(jù)該怎么構(gòu)造 reward signal”希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取