DeepSeek-R1，是深度求索（DeepSeek）研发的推理模型，本地部署后完全免费，无使用次数限制。DeepSeek-R1采用的大规模强化学习技术，尤其擅长数学、代码和自然语言推理等复杂任务。DeepSeek-R1系列模型（1.5b~671b）开源且免费，进一步降低了AI应用门槛，赋能开源社区发展。
使用
教程
DeepSeek详细教程：
❶Win版安装教程（Ollama+AnythingLLM安装、DeepSeek模型下载）
❷Mac版安装教程（Ollama+AnythingLLM安装、DeepSeek模型下载）
❸AnythingLLM设置方法（聊天模型+训练模型设置）
❹如何投喂数据（训练AI）
❺DeepSeek-R1应用展示
一、Win版安装教程
1.选择下载的安装包右键解压。
2.解压后，右键以管理员身份运行Ollama安装程序。
3.点击Install安装完成即可。
4.在D盘新建一个文件夹命名为OllamaAI，然后打开系统环境变量，新建变量名：OLLAMA_MODELS 变量值：D:\OllamaAI，设置完成后重启电脑。
温馨提示： 此步主要是解决Ollama默认下载模型到C盘问题，若C盘空间足够大的小伙伴此步骤可略过。
5.重启电脑后，在开始菜单找到Ollama程序打开，打开后在电脑右下角会有一个羊驼图标显示。
6.按快捷键Win+R，输入cmd确定。
7.输入ollama run+模型名称，按回车键即可下载（看下面附图硬件要求选择下载其中一个或多个，此过程可能有点慢，若下载失败重新输入命令下载即可），如下：
ollama run deepseek-r1:1.5b
ollama run deepseek-r1:7b
ollama run deepseek-r1:8b
ollama run deepseek-r1:14b
附： 各模型大小与电脑硬件要求，根据自己电脑硬件配置选择下载适合的模型。
8.❶deepseek-r1模型下载完成后（提示success即是下载完成），❷在CMD新窗口中输入命令ollama pull nomic-embed-text回车下载nomic-embed-text嵌入式模型（后面做数据投喂会用到）。
温馨提示： 若是要删除模型，输入命令ollama rm+模型名称，如ollama rm deepseek-r1:14b
9.deepseek-r1与nomic-embed-text模型下载完成后，开始安装AnythingLLM软件。
10.选择【所有用户】点击下一步。
11.修改路径地址中的首字符C可更改安装位置，本例安装到D盘，点击下一步。
12.安装中…，安装到提示下载ollama_lib.zip可点击取消，不然要等1小时间才能下载完成。
13.点击完成。
14.点击【Get started】。
15.点击箭头，进行下一步。
16.输入工作区名称，点击下一步箭头。
17.点击【设置】，里面可以设置模型、界面显示语言等。
附： 若软件显示英文，可在Customization外观定制里面选择Chinese即可。
二、Mac版安装教程（支持MacOS 11.0及更高）
1.双击安装Ollama（支持M系列与Intel系列CPU），选择【Move to Applications】然后点击Next安装完成即可。
2.通过终端分别安装deepseek-r1与nomic-embed-text模型，注意两个模型若是一起下载会报错，建议一个模型下载完成后，再开一个终端窗口下载。下载方式与Win版7~8步骤类似，这里不过多介绍。
3.双击打开AnythingLLM（根据自己电脑芯片选择ARM或Intel版安装包），将AnythingLLM拖入到【Applications】文件夹完成安装。若打开软件为英文，参考Win版第17步设置。
三、AnythingLLM设置（Mac与Win设置方法一样）
1.在软件设置里面，LLM首选项界面，提供商选择Ollama，Ollama Model选择你前面下载的DeepSeek-R1系列模型1.5b~671b，然后点击Save changes。
2.在Embedder首选项界面，嵌入引擎提供商选择Ollama，Ollama Embedding Mode选择【nomic-embed-text】，然后点击保存更改。
3.点击【工作区设置】。
4.聊天设置界面，❶工作区LLM提供者选择【Ollama】，❷工作区聊天模型选择【deepseek-r1】模型，❸然后点击【Update workspace agent】。
5.代理配置界面，工作区代理LLM提供商选择【Ollama】，工作区代理模型选择【deepseek-r1】，然后点击【Update workspace agent】。
四、如何投喂数据（训练AI）
1.在工作区界面，点击【上传】。
2.❶点击upload选择需要上传的文件（支持PDF、Txt、Word、Excel、PPT等常见文档格式）。❷勾选上传的文件，❸点击【Move to Workspace】。
3.点击【Save and Embed】。
五、DeepSeek-R1应用展示
1.没有投喂数据之前，输入伙伴神公众号是干嘛的，AI是回答不了的，投喂后能够准确分析与解答出来。
2.3.8与3.11哪个大，之前有人说DeepSeek回答是错误的，可能当成了版本号，本次测试正确无误。
3.在设置【对话历史记录】界面，工作区聊天记录可以导出也可以删除。
特别注意： 使用AnythingLLM软件之前，都要先打开Ollama软件，Mac打开后在右上角显示羊驼图标，Win在右下角显示羊驼图标。
👉👉【DeepSeek本地部署文档】
https://pan.quark.cn/s/7e0fa45596e4
最近，我的DeepSeek本地部署视频在B站播放量意外小爆，评论区被两类留言淹没：一类是技术爱好者追问“如何用消费级显卡跑通大模型”，另一类是职场人焦虑“我的工作会被AI取代吗？”这两个问题的背后，折射出一个残酷的真相：大模型技术正在重构所有行业的生存法则，而掌握这项技术的人将获得通往未来的船票。
DeepSeek的火爆对普通人意味着什么？
DeepSeek的火爆并非偶然。它代表了一种技术趋势：大模型技术正在从实验室走向大众。过去，大模型技术似乎只属于科技巨头和学术机构，普通人很难接触到。而现在，随着开源社区的活跃和技术的普及，像DeepSeek这样的工具已经可以让普通用户在自己的设备上部署和使用大模型。
对于普通人来说，DeepSeek的火爆意味着：
- 技术门槛降低：大模型技术不再遥不可及。通过本地部署，普通人也可以体验到强大的AI能力，无论是文本生成、对话系统还是其他AI应用。
- 个性化需求得到满足：大模型可以根据用户的需求进行定制化调整，满足个性化的应用场景。比如，你可以训练一个专门用于写作、编程或翻译的模型。
- 未来职业机会：大模型技术的普及将催生大量新的职业机会。无论是AI工程师、数据科学家，还是AI产品经理，掌握大模型技术将成为未来职场的重要竞争力。
DeepSeek的底层逻辑：大模型技术的核心
DeepSeek的底层逻辑正是基于大模型技术。大模型，顾名思义，是指参数量巨大、训练数据丰富的深度学习模型。这类模型通过海量数据的训练，能够捕捉到复杂的语言模式和知识结构，从而在各种任务中表现出色。
一、大模型岗位薪资揭密：应届生年薪40万起，跨界人才溢价300%
根据智联招聘《2024人工智能人才发展报告》，大模型相关岗位薪资较传统IT岗位平均高出67%，且呈现三大特征：
1.应届生起薪碾压传统行业
大模型算法工程师：本科28-40万/年，硕士40-60万/年
AI产品经理（无经验）：25-35万/年
（数据来源：猎聘2024校招季统计）
2.跨界人才溢价惊人
医疗+大模型复合人才：薪资较纯医疗背景提升200-300%
金融风控+大模型工程师：年薪可达80-150万
（案例：某三甲医院影像科医生转型AI医疗，薪资从25万跃升至75万）
3.中小企业重金抢人
二线城市AI初创公司开出“北上广深同薪”政策
某成都电商企业为AI推荐算法工程师开出百万年薪
二、行业大地震：这些岗位正在消失，这些岗位正在爆发
▍消失中的岗位（3年内高危职业）
- 基础数据标注员（已被AutoML取代90%工作量）
- 初级代码工程师（GPT-4可完成60%基础代码）
▍爆发中的黄金岗位
1.大模型训练师
- 某直播公司开出82万年薪招聘“带货大模型调教师”
- 核心技能：Prompt工程+垂直领域知识（如美妆/3C）
2.AI业务流程重构师
- 制造业龙头企业50万年薪招聘“生产流程AI化专家”
- 典型案例：富士康通过大模型优化生产线，减少30%人力成本
3.AI伦理合规官
- 金融机构新增岗位“大模型风控总监”，年薪超百万
- 职责：防止AI在信贷审核、投资建议中出现歧视性输出
三、普通人破局指南：无需代码基础，三步抢占AI红利
我整理了全网稀缺的**《大模型落地应用实战资料包》**，包含：
1.LLM大模型学习大纲+路线图
2.152个大模型各行业结合的落地案例集
3.大模型必读书籍PDF电子版
4.大模型全套系统学习视频
5.真实大厂岗位面试题库
6.640套AI大模型行业白皮书
👉👉获取方式：
结语：你正在经历人类史上最大规模的生产力革命
当东莞工厂用大模型替代500个质检员，当律所AI助理处理80%合同审查，当小红书博主用AI生成90%的图文内容——这场变革不再关乎“是否会发生”，而是“你站在哪一边”。
记住两个数字：
- 2023年全球大模型应用市场规模：270亿美元
- 2027年预测市场规模：4070亿美元
这中间3700亿美元的增量市场，就是普通人改写命运的机会。4年后你会感谢今天的决定。
原文链接：https://blog.csdn.net/2301_76168381/article/details/145453732?ops_request_misc=%257B%2522request%255Fid%2522%253A%252292cdf893db0455a8db40cdc64431da5e%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=92cdf893db0455a8db40cdc64431da5e&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-25-145453732-null-null.nonecase&utm_term=deepseek%E9%83%A8%E7%BD%B2
