### DeepSeek 本地部署及 Python 调用 #### 确认 Ollama 运行状态 为了确保能够顺利调用 API，需先确认 Ollama 正确运行。这一步骤对于后续操作至关重要，因为只有当服务正常启动后才能成功发起请求[^1]。 #### 配置环境与选择框架 当前存在两种主流方案用于搭建 DeepSeek 的本地实例：一是手动构建完整的开发环境并加载预训练模型；二是借助特定框架简化流程。鉴于后者更为便捷高效，在此推荐采用基于框架的方式完成安装配置工作[^2]。 #### 获取模型文件 针对希望快速上手的开发者而言，可以直接从 Hugging Face 平台获取官方发布的 DeepSeek 模型版本。具体命令如下所示： ```bash git lfs install git clone https://huggingface.co/deepseek-ai/DeepSeek-R1-7B-base ``` 上述指令将会克隆包含所需资源在内的仓库至本地机器中[^3]。 #### 编写 Python 客户端代码 一旦完成了前期准备工作之后，则可以着手编写一段简单的脚本来实现对已部署的服务接口访问功能。在此之前记得导入必要的第三方模块以便处理 HTTP 请求以及解析返回的数据结构体。 ```python import requests from typing import Dict, Any def call_deepseek_api(prompt: str) -> Dict[str, Any]: url = 'http://localhost:8000/api/v1/generate' # 假设API地址为 http://localhost:8000/ payload = { "prompt": prompt, "max_tokens": 50, "temperature": 0.9 } response = requests.post(url=url, json=payload) if response.status_code == 200: result = response.json() return {"success": True, "data": result} else: error_message = f"Failed to generate text with status code {response.status_code}" return {"success": False, "message": error_message} if __name__ == "__main__": test_prompt = "Once upon a time" api_response = call_deepseek_api(test_prompt) print(api_response) ``` 该函数 `call_deepseek_api` 接受字符串类型的输入作为提示词，并向指定 URL 发送 POST 请求以触发生成过程。如果服务器响应的状态码等于 200 表明一切正常，此时可进一步提取 JSON 格式的正文部分供后续分析使用；反之则记录下错误详情便于排查问题所在[^4]。