本地联动部署：n8n + DeepSeek 大模型 + Ollama 实战

最新推荐文章于 2025-10-23 11:30:57 发布

原创最新推荐文章于 2025-10-23 11:30:57 发布 · 1.8k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#ai #AIGC #python

ai 专栏收录该内容

11 篇文章

订阅专栏

部署运行你感兴趣的模型镜像

前言：
前两天在微信公众号看到，有很多博客在写n8n+大模型创建自己工作流，给工作带来更高效便捷的功能，所以我也在网上看了几篇，想自己在本地部署实现一下。下边就是我这两天研究的成果，本地部署n8n+本地部署deepseek大模型+本地部署ollama，实现的工作流。

在 AI 与自动化融合的趋势下，将可视化工作流工具 n8n 与本地大模型（DeepSeek）、模型管理工具（Ollama）结合，能打造高效、私密的 AI 自动化系统。本文将详细拆解从环境准备到三者联动的完整流程，包含关键配置代码与问题解决方案，适合有基础 Linux 操作经验的开发者参考。

一、部署前的环境准备

1.1 硬件要求（自己电脑虚拟机，有条件可以使用云服务器）
本地部署需满足基础算力需求，避免运行时卡顿或崩溃：
CPU：至少 4 核（推荐 8 核及以上，用于多任务并发）
内存：3GB
硬盘：空闲空间≥50GB（Ollama 及模型缓存占约 20-30GB，n8n 及依赖占 10-15GB）
网络：初始部署需联网下载镜像与模型（后续可离线运行）
1.2 软件依赖
确保系统已安装以下工具（以 Anolis OS release 8.6 为例）：

#所需要安装的依赖
yum install -y python3 python3-devel
yum install -y gcc gcc-c++ make

#n8n安装时找不到python地址，需要配置一下
export PYTHON=/usr/bin/python3
echo $PYTHON

二、分步部署核心组件

2.1 用 Ollama 管理 DeepSeek 大模型
Ollama 是轻量级大模型管理工具，支持一键拉取、启动模型，无需复杂环境配置。
步骤 1：安装 Ollama
从官方安装安装包（适用于Linux）
官网下载地址
curl -L https://ollama.com/download/ollama-linux-amd64.tgz -o ollama-linux-amd64.tgz
sudo tar -C /usr -xzf ollama-linux-amd64.tgz
#启动脚本-设置system管理

cat  /etc/systemd/system/ollama.service 
[Unit]
Description=Ollama Service
After=network-online.target

[Service]
ExecStart=/usr/bin/ollama serve
User=root
Group=root
Restart=always
RestartSec=3
Environment="OLLAMA_MODELS=/data/models/ollama"
Environment="OLLAMA_HOST='0.0.0.0'"
Environment="PATH=/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/root/bin"

[Install]
WantedBy=default.target

#启动模型服务（默认监听127.0.0.1:11434）
systemctl daemon-reload
systemctl start ollama
systemctl enable ollama

验证安装（出现版本号即成功）
ollama --version
步骤 2：拉取并启动 DeepSeek 模型
Ollama 支持 DeepSeek 的多个版本（如 7B、13B），此处以常用的deepseek-r1:1.5b进行测试。

#拉取模型（首次运行需下载约1.1GB文件，耐心等待）
ollama pull deepseek-r1:1.5b

通过curl发送请求，验证模型是否正常响应：
curl -X POST
-H “Content-Type: application/json”
-d ‘{“model”: “deepseek-r1:1.5b”, “prompt”: “你好”}’
http://192.168.0.85:11434/api/generate
若返回包含 Python 代码的 JSON 结果，说明 Ollama 与 DeepSeek 已成功联动。

2.2 部署 n8n 可视化工作流工具（通过npm安装n8n服务）

#node下载地址（node版本使用22版本以上的）
https://nodejs.org/zh-cn/download
ln -s /home/node-v22.4.1-linux-x64/bin/node /usr/bin/node
ln -s /home/node-v22.4.1-linux-x64/bin/npx /usr/bin/npx
ln -s /home/node-v22.4.1-linux-x64/bin/npm /usr/bin/npm
# 1. 设置npm使用国内镜像源（npmmirror，原淘宝npm镜像，已更名为npmmirror）
npm config set registry https://registry.npmmirror.com
# 2. 验证源是否切换成功（输出 https://registry.npmmirror.com 即正确）
npm config get registry
#npm安装n8n
npm install -g n8n
#启动n8n
n8n start 
#设置成http访问的，默认需要https访问的
vim ~/.bashrc
export N8N_SECURE_COOKIE=false
source ~/.bashrc
n8n stop && n8n start
#访问方式
打开浏览器，输入http://localhost:5678，首次访问需设置管理员账号（邮箱 + 密码）。登录后即可看到 n8n 的可视化工作流编辑器，界面如下：
•左侧：节点库（包含 HTTP、AI、数据库等 200 + 节点）
•中间：工作流画布（拖拽节点构建流程）
•右侧：节点配置面板（设置参数、认证等）

三、关键配置：n8n 联动 Ollama+DeepSeek

n8n 本身不直接支持 Ollama，但可通过「HTTP 请求节点」调用 Ollama 的 API，间接实现与 DeepSeek 的联动。
3.1 创建 python脚本

#安装python依赖
pip install fastapi uvicorn requests pydantic
#python脚本实现功能介绍
搭建一个中间层 API 服务（使用 FastAPI），提供带 API Key 认证的接口
该中间层转发请求到本地 DeepSeek 模型（如通过 Ollama 部署的模型）
在 n8n 中配置这个中间层 API 的地址和密钥

3.2 python脚本内容

from fastapi import FastAPI, HTTPException, Depends
from fastapi.security import APIKeyHeader
import requests
from pydantic import BaseModel
import uvicorn

# 配置
API_KEY = "n8n-deepseek-@uth-789"  # 自定义你的本地API密钥
OLLAMA_URL = "http://192.168.0.85:11434/api/generate"  # Ollama的API地址
API_KEY_NAME = "X-API-Key"  # 请求头中API密钥的名称

app = FastAPI(title="Local DeepSeek API with Auth")

# API密钥验证
api_key_header = APIKeyHeader(name=API_KEY_NAME, auto_error=False)

async def get_api_key(api_key: str = Depends(api_key_header)):
    if api_key == API_KEY:
        return api_key
    else:
        raise HTTPException(
            status_code=403,
            detail="Invalid or missing API Key"
        )

# 请求模型
class QueryRequest(BaseModel):
    prompt: str
    model: str = "deepseek-r1:1.5b"  # 默认使用的DeepSeek模型
    stream: bool = False

# 响应模型
class QueryResponse(BaseModel):
    response: str

# 推理接口
@app.post("/api/chat", response_model=QueryResponse)
async def chat(request: QueryRequest, api_key: str = Depends(get_api_key)):
    try:
        # 转发请求到Ollama
        ollama_response = requests.post(
            OLLAMA_URL,
            json={
                "model": request.model,
                "prompt": request.prompt,
                "stream": request.stream
            }
        )
        
        if ollama_response.status_code != 200:
            raise HTTPException(
                status_code=ollama_response.status_code,
                detail=f"Error from Ollama: {ollama_response.text}"
            )
        
        # 处理响应
        result = ollama_response.json()
        return {"response": result.get("response", "")}
        
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))

if __name__ == "__main__":
    # 启动服务，默认端口8000
    uvicorn.run("deepseek_api:app", host="0.0.0.0", port=8000, reload=True)

四、n8n配置本地部署大模型以及输出内容

新建工作流—添加输入消息模块
在这里插入图片描述
点击加号添加HTTP Request模块

配置HTTP Request模块

接下来可以进行询问是否正常
点击 Execute step，等待大模型回复是否正常使用
#思考过程

#结果

到现在是一个流程，实现了所有都部署在本地，而且可以训练自己的大模型。可以代替自己的公司的线上客服进行使用。

结语

本文完成了 n8n、Ollama、DeepSeek 的本地联动部署，核心优势在于：

私密性：所有数据存储在本地，避免敏感信息上传云端。
灵活性：通过 n8n 的可视化界面，无需编写大量代码即可调整工作流。
轻量级：Ollama 简化了模型管理。
后续可探索的扩展方向：
1.模型切换：在 Ollama 中拉取其他模型（如 Llama 3、Qwen），在 n8n 的 HTTP 请求中修改model参数即可切换。
2.GPU 加速：若本地有 NVIDIA 显卡，可安装 NVIDIA Docker Runtime，让 Ollama 使用 GPU 运行模型（需额外配置，参考Ollama 官方文档）。
3.前端界面：用 React、Vue 等框架开发简易前端，通过调用 n8n 的 Webhook，让非技术人员也能使用 AI 功能。
若在部署过程中遇到其他问题，可参考各工具的官方文档：
n8n 官方文档
Ollama 官方文档

您可能感兴趣的与本文相关的镜像