如何运用DeepSeek R1构建一款全栈简历筛选应用

DeepSeek开源大模型的发布已经在技术社区引发巨大轰动。如今，开发者们无需接入Claude、ChatGPT等在线AI模型，即可轻松实现本地应用程序构建。换言之，开源大模型准入门槛的持续降低，为企业应用程序与生成式AI的集成打通了机会之桥。

在本文中，我们将学习如何在个人设备上本地运行开源模型，进而构建一款由React和NodeJS驱动的全栈应用程序。它能帮助大家快速分析简历内容，并做出明智的招聘决策。在构建之前，我们先聊聊开源大模型的优势所在。

开源大语言模型的优势

与专有模型相比，开源大模型拥有以下几个关键优势：

经济高效且无需许可证

开源大模型极具成本效益，无需特殊许可证。截至本文撰稿时，OpenAI o1的每百万输出token成本为60美元，而开源DeepSeek R1的成本仅为2.19美元。

可定制、可微调

开源大模型可轻松进行微调以满足独特的业务需求，在更多特定领域支撑业务用例。

增强数据安全性与隐私性

宝贵的个人数据无需被上传至第三方服务器，而仅保留在本地设备或企业网络之内，因此应用程序更加安全。此外，开源模型还可进行微调以消除数据偏差。

社区驱动，摆脱供应商锁定

开源模型享有广泛的社区支持，受益于快速功能开发，也避免了专有模型受供应商锁定、且高度依赖供应商提供功能更新的弊端。

在了解上述背景信息后，下面直奔主题，了解如何使用DeepSeek R1开源模型、Node.js和React构建应用程序。

项目与架构概述

我们的目标是构建一款简历分析器应用，快速把握上传简历中的基本信息与申请者的优缺点。DeepSeek R1大模型负责分析上传的简历并提供反馈。大家可通过下图了解这款应用的基本架构：

架构示意图

用户界面由React开发，通过REST API与基于NodeJS的后端进行通信。之后，NodeJS后端将用户请求发送至由Ollama托管的DeepSeek R1。整个技术栈可在单一设备上运行，亦可跨多个容器托管以支持更复杂的用例。

前期准备

• 要运行此项目，你需要一台具备一定性能的设备，最好搭载英伟达独立显卡。此项目已在配备英伟达4090RTX的Windows设备和M2 MacBook Pro上通过开发测试。
• 你还需要在设备上安装NodeJS。本项目使用NodeJS 22.3.0版本，你可使用node -v 命令验证NodeJS的安装情况。
• 你还需要选定一款编辑器以处理代码。本示例中使用Visual Studio Code，推荐你使用同款工具。

在本地设置并运行DeepSeek

要在本地运行DeepSeek R1，请遵循以下步骤：

• 从官方网站处（Ollama）安装Ollama。
• 安装完成后，即可使用设备终端上的 ollama run 命令运行模型。
• 运行你选定的DeepSeek模型。本教程中使用DeepSeek R1 8B参数模型。你可使用 ollama run deepseek-r1:8b命令运行该模型。
• 如果你的硬件规格低于前期准备部分的最低配置，亦可尝试运行7B及1.5B参数模型，但输出质量可能受到影响。
• 模型首次运行可能须耗费一定时间，特别是下载过程。模型运行之后，你可直接在终端中向其提问并获取输出。你可参考下图查看DeepSee