5 分钟在 Mac 上搭建自己的 deepseek r1智能体

如今，deepseek 烈火烹油火爆天，有用没用的大家都想看看人工智能到底能干啥。上一次AI 这么出圈，还是 ChatGPT 刚发布的时候。

我相信绝大部分凑热闹的群众用不了多久就会发现，自己除了问一些有的没的脑筋急转弯，并不能拿 deepseek 解决什么实际问题。但这不妨碍热情，特别是海对岸还有人在泼冷水，祭出各种手段让 deepseek 访问受阻。

开源的 deepseek 其实自己在本地就可以部署，有能力的人还能添加联网功能，把官方因屡遭攻击而暂时关闭的能力再加回来。

deepseek 在 huggingface 上完整放出了自己 671b 的模型文件，如果你的资源足够，理论上有可能自建一套 deepseek r1。什么叫资源足够？英伟达的 CEO 黄仁勋对此想法的配置建议是买 8 张他家的 H200 显卡。

完整版的 deepseek r1 需要大量显存，即使使用量化技术压缩到极致的模型，也需要 50G 显存。所谓量化，相当于压缩。量化程度越高，模型生成的结果精度越差。huggingface 上下载的模型，1.5bit，2bit，4bit，6bit，8bit 就是这个意思。bit 前面的数字越小，模型文件越小，精度越差。

这几天国内另一家公司，硅基流动，用华为的显卡部署了完整版 deepseek r1。我用了一下，它家显然接不住泼天的流量，推理速度实在太慢。原本 deepseek r1 的推理过程就会过度纠结在细节上，8-10token/s 的回答生成速度，相当于你用老式按键打字机敲字，太慢了。

其实尝试一下带思维链的 deepseek r1 不用那么复杂，也无需硬上满血版。deepseek r1 是用 deepseek v3 蒸馏出来的模型。deepseek 也用同样的技术蒸馏了好几个小模型，适合本地部署。

蒸馏技术可以理解为老师带学生。r1 是大师哥，其他尺寸小的模型算师弟们。综合能力，师弟不如师哥，但师弟们吃得也少，贫苦人家也能养得起。

deepseek 官方推荐的两个模型，分别是蒸馏阿里通义千问的 14b 和 32b。阿里通义千问模型本身的能力就不错，蒸馏后多了思维链，能力更强。

在 Mac 上，根据内存大小不同，很容易部署上面两个模型。最简单的方法是下载 lm studio，Mac，Windows，Linux 三平台都有客户端。

lm studio 不仅提供客户端，而且有自己量化的模型可供直接下载。我的 Macmini M4Pro 内存 24G，加载 14B的量化版本比较合适。32B 的 4bit 量化版大约 16G 左右，也能加载，但推理速度太慢，小于 10token/s。

我比较了 lm studio 自家的 14b，4bit 模型和下载数更多的第三方量化模型bartowski/DeepSeek-R1-Distill-Qwen-14B-GGUF的 6bit 版本，精度可以接受，速度快很多。

下载很简单，直接在 lm studio 上搜索 deepseek 即可。

lm studio 提供聊天窗口，全图形化操作，加载模型之后，可以直接开启对话。另一个命令行工具 ollama 速度虽然更快，但上手要复杂。

运行效果还是不错的，不联网也能做数学题，编写脚本和 python 程序。

推荐 lm studio 的原因有下面几个：

1. 本地文档聊天

LM Studio 支持与本地文档进行互动，用户可以上传文档（如TXT、PDF、Word等格式），然后与模型进行对话，获取文档中的信息。文件最多 5 个，每个不超过 30M。

2. 多模型同时运行

通过“Playground”模式，LM Studio 支持同时运行多个AI模型，你可以利用不同模型的组合能力来增强性能和输出。例如，可以同时加载一个擅长写作的模型和一个擅长编程的模型，根据需求切换使用。

3. OpenAI 兼容服务器

LM Studio 提供了一个与 OpenAI API 兼容的本地服务器，用户可以通过 HTTP 请求与模型交互。

4. 模型下载与管理

LM Studio 内置了模型发现功能，用户可以从 Hugging Face 等平台搜索和下载兼容的模型。此外，它还支持模型的管理和更新，方便用户随时切换不同的模型版本。

5. 硬件加速与优化

LM Studio 支持多种硬件加速，包括 NVIDIA GPU 和苹果 M 系列芯片。特别是对于 M 系列芯片，LM Studio 提供了经过优化的 MLX 模型，能够充分利用苹果的统一内存架构，提升运行效率。

6. 离线操作与隐私保护

LM Studio 支持完全离线操作，用户可以在不联网的情况下使用模型。这不仅保证了数据的隐私和安全，还避免了网络延迟问题，使得模型运行更加流畅。

如果你想用 lm studio 构建个人知识库，那么它不太合适。更适合的高级玩法可以从下面的组合里寻找：

Ollama + AnythingLLM

Ollama 是一个本地大模型管理工具，支持运行多种大语言模型。

AnythingLLM 是一个开源项目，支持将PDF、Word、网页等多种格式的文件转化为结构化的知识库。它与Ollama集成，可以实现文件加载和知识问答功能。

优点：支持多种文件格式，与Ollama集成方便，适合个人用户快速搭建知识库。

缺点：需要一定的技术基础来搭建和配置环境。

MaxKB + Ollama

MaxKB 是一个开源的本地知识库工具，支持与Ollama集成。

优点：MaxKB提供了简单易用的界面和强大的知识库管理功能，适合个人用户快速搭建和管理知识库。

缺点：需要使用Docker等工具进行部署，对技术要求有一定门槛。

Whoosh + Ollama

Whoosh 是一个纯Python实现的全文搜索引擎，可以用于快速检索本地文件。

方案：结合Whoosh进行文件索引，然后通过Ollama加载大模型进行问答。这种方式可以支持大量本地文件的检索和问答。

优点：Whoosh轻量级且易于集成，适合对性能要求较高的用户。

缺点：需要自行搭建和配置索引系统，对技术有一定要求。

Obsidian

Obsidian 是一款基于Markdown的笔记应用，专注于构建个人知识库。

优点：支持反向链接和图形视图，能够创建互联的知识网络，适合用于知识整理和管理。

缺点：虽然Obsidian本身不直接支持大模型集成，但可以通过插件或外部工具与Ollama等大模型工具结合使用。

1 和 4 比较适合不会编程的人。但总的来说，折腾这一套的时间成本不低，效果嘛，不见得能满足预期。个人知识库受限于两个因素：1. 向量化查询个人知识库的准确程度。2. 大模型的幻觉。

这两条实操的时候需要一定技术能力才能调整到相对满意的程度。如果只是自己的一些记账数据，生活琐事，对大模型了解不多，动手能力一般。不建议入坑。大概率看了半天，喊一句：擦，烦死了。然后结束。

再等半年，OpenAI已经在压力下放出专家版 o3。未来全图形化，一步到位集成个人知识库的解决方案肯定会有。

AI 的重点是提高我们的生活效率而不必掌握复杂的技术，不是反过来。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​