简介：这份PDF指南面向希望在Windows 11上本地运行大模型的开发者与AI爱好者，聚焦DeepSeek-R1的Ollama部署全流程，帮助读者摆脱云端依赖、兼顾数据隐私与响应速度。资源包仅含1个PDF文件，大小约264KB，内容紧凑、便于随查随用。正文从硬件门槛讲起，涵盖多核CPU、NVIDIA CUDA显卡、16GB以上内存与20GB以上SSD空间等配置建议，再依次说明Ollama安装、服务启动、模型拉取与验证、命令行交互等关键环节，并延伸至REST API调用示例与Modelfile参数自定义，最后附上拉取失败、运行缓慢、端口占用等常见问题的排查思路。目前已有4338人学习下载，适合具备基础命令行操作能力、想快速跑通本地DeepSeek-R1的读者参考。
1. Win11 装 Ollama 跑 DeepSeek-R1：先看清硬件门槛再动手
在 Windows 11 上折腾本地大模型，十个翻车的里有八个不是命令敲错，而是机器根本扛不住。Ollama 这个工具本身装起来不复杂，双击安装包一路下一步就行，但它对硬件的要求是实打实的——DeepSeek-R1 跑起来之后，内存和显存吃紧是常态。我见过有人拿 8GB 内存的轻薄本硬拉模型，结果拉取到一半磁盘写满，服务直接卡死，连 ollama list 都刷不出来。所以这篇安装笔记先把环境门槛列清楚，再一步步走安装、拉模型、验证、排错的完整链路。适合手里有一台 Win11 机器、想在自己设备上跑 DeepSeek-R1 做本地推理的开发者，也适合之前装过 Ollama 但被端口占用或模型拉取失败卡住的人。
2. 环境准备：Win11 下的硬件与软件清单
2.1 硬件配置对照表
Ollama 在 Windows 上跑 DeepSeek-R1，硬件是硬门槛，不是靠调参数能绕过去的。下面这张表是我按实际部署经验整理的配置对照，分「能跑」「跑得舒服」「跑得飞快」三档，你可以对着自己的机器看一眼再决定要不要继续往下走。
| 硬件项 | 最低能跑 | 推荐配置 | 说明 |
|---|---|---|---|
| CPU | 4 核以上 | 英特尔酷睿 i7 / AMD Ryzen 7 及以上 | 多核影响推理响应速度，核少会明显卡顿 |
| 内存 | 16GB | 32GB 或更高 | DeepSeek-R1 运行时会占用大量内存，16GB 是底线 |
| GPU | 无（纯 CPU 推理） | NVIDIA RTX 30 系列及以上，支持 CUDA | 有 GPU 加速推理快很多，没有也能跑但慢 |
| 存储 | 20GB 可用空间 | SSD，50GB 以上可用 | 模型文件本身占空间，SSD 加载速度远快于机械盘 |
这里有个容易忽略的点：磁盘空间不是只看模型文件大小。Ollama 拉取模型时会先下载临时文件再解压，峰值占用可能比最终模型大不少。我一般会预留模型体积两倍以上的空间，避免拉到 99% 报磁盘不足，那种感觉比下载失败还难受。
提示：如果你的机器是 16GB 内存 + 无独显的组合，DeepSeek-R1 能跑，但响应速度会比较慢，建议先拿小参数模型试水，确认 Ollama 环境没问题再拉大模型。
2.2 软件环境确认与 Ollama 安装
软件这边要确认两件事：Win11 系统版本和 Ollama 安装包来源。系统更新到最新版本能避免一些运行库缺失的兼容性问题，尤其是 .NET 相关的组件，Win11 默认都带，但如果你关过系统更新，建议手动检查一下。
Ollama 的安装包从官网下载，认准 ollama.com 这个域名。下载完成后双击安装包，安装向导会默认装到用户目录下，你也可以自定义路径。这里有个细节：如果你 C 盘空间紧张，安装时就把路径改到其他盘，因为后面拉取的模型文件默认也存在 C 盘用户目录下，C 盘红了再迁移会很麻烦。
安装完成后，Ollama 会自动注册为系统服务，托盘区会出现一个小羊驼图标。这时候打开 PowerShell 或 CMD，输入版本检查命令确认安装成功：
ollama --version这条命令会输出当前安装的 Ollama 版本号。如果提示「不是内部或外部命令」，说明安装路径没加到系统 PATH 里，重新跑一遍安装包或者手动把 Ollama 安装目录加到环境变量就行。版本号能正常输出，说明 Ollama 本体已经就位，接下来进入服务启动和模型拉取环节。
3. 部署实操：从启动服务到跑通 DeepSeek-R1
3.1 启动 Ollama 服务与端口确认
Ollama 安装后默认会以系统服务方式在后台运行，但有时候服务没起来，或者你想手动控制，就需要用命令行启动。打开 PowerShell，执行：
ollama serve启动成功后，终端会输出监听地址信息，默认监听 127.0.0.1 的 11434 端口。这个端口是 Ollama 的 API 入口，后面用 REST API 调用或者 Python 脚本交互都走这个端口。如果你看到端口被占用的报错，先别急着重装，用下面这条命令查一下是谁占了：
netstat -ano | findstr :11434输出结果最后一列是进程 PID，拿着这个 PID 去任务管理器里找到对应进程，确认是不是之前残留的 Ollama 进程。如果是，结束掉再重新 ollama serve 就行。如果占用的是其他程序，要么关掉那个程序，要么改 Ollama 的监听端口——改端口需要设置环境变量 OLLAMA_HOST，这个后面排错章节会细说。
注意：ollama serve 是前台运行命令，关掉终端窗口服务就停了。日常使用其实不需要手动跑这条命令，安装后系统服务已经在后台跑着。只有调试或者服务异常时才需要手动启动看日志。
3.2 拉取 DeepSeek-R1 模型
服务确认在跑之后，另开一个 PowerShell 窗口，执行模型拉取命令：
ollama pull deepseek-r1这条命令会从 Ollama 的模型库下载 DeepSeek-R1 的模型文件到本地。下载时间取决于你的网络速度和模型体积，终端会显示下载进度条。拉取过程中不要关窗口，中断了虽然支持断点续传，但有时候会卡在某个百分比不动，需要手动重试。
拉取完成后，用下面这条命令确认模型已经在本地：
ollama list输出会列出本地已有的模型名称、大小和修改时间。看到 deepseek-r1 出现在列表里，说明模型文件已经完整落盘。如果列表是空的，或者没有 deepseek-r1，说明拉取过程出了问题，回到上一步重新 pull。
3.3 运行模型并验证交互
模型拉取成功后，直接用 run 命令启动交互：
ollama run deepseek-r1 "用一句话介绍你自己"这条命令会加载模型并发送提示词，模型推理完成后在终端输出回答。第一次加载模型会花几秒到十几秒不等，取决于你的磁盘速度和内存大小。加载完成后，后续的对话响应会快很多，因为模型已经常驻内存了。
如果你想进入交互式对话模式，直接执行 ollama run deepseek-r1 不带提示词，就会进入一个类似聊天的命令行界面，可以连续输入问题。退出交互模式用 /bye 命令。
3.4 通过 REST API 调用模型
命令行交互适合测试，但实际集成到应用里，一般走 REST API。Ollama 在 11434 端口暴露了 HTTP 接口，用 Python 写个最简单的调用脚本：
import requests # Ollama 本地 API 地址，默认监听 11434 端口 url = "http://localhost:11434/api/generate" # 请求体：指定模型名称和提示词 data = { "model": "deepseek-r1", "prompt": "介绍一下杭州的旅游景点", "stream": False # 关闭流式输出，一次性拿到完整响应 } response = requests.post(url, json=data) # 从返回的 JSON 中提取模型回答字段 print(response.json()["response"])这段代码的关键参数有三个：model 指定要调用的模型名称，必须和 ollama list 里显示的一致；prompt 是发给模型的提示词；stream 设为 False 表示等模型完整生成后再返回，适合脚本调用。如果设为 True，响应会变成流式输出，需要逐行读取，适合做打字机效果的聊天界面。
运行这个脚本之前确认 requests 库已经装了，没装的话 pip install requests 一下。脚本跑通后，你会看到模型返回的文本内容，说明 REST API 链路已经打通。
3.5 用 Modelfile 自定义模型参数
Ollama 支持通过 Modelfile 派生新模型，调整推理参数。比如你想让 DeepSeek-R1 的输出更稳定、少一些随机发挥，可以建一个 Modelfile：
FROM deepseek-r1 PARAMETER temperature 0.7 PARAMETER top_p 0.8FROM 指定基础模型，PARAMETER 后面跟参数名和值。temperature 控制输出的随机性，值越低输出越确定，值越高越有创造性；top_p 是核采样参数，控制候选词的范围。这两个参数没有绝对的最优值，一般 temperature 在 0.6 到 0.8 之间比较平衡。
保存文件后，用 create 命令构建自定义模型：
ollama create my-deepseek-r1 -f Modelfile构建完成后，用 ollama run my-deepseek-r1 就能跑你自定义参数的版本了。原来的 deepseek-r1 模型不受影响，两个可以共存。
4. 避坑排查：Ollama 部署 DeepSeek-R1 的五个常见问题
4.1 模型拉取卡住或失败
现象：ollama pull deepseek-r1 进度条长时间不动，或者报错退出。
原因：最常见的是网络波动导致下载中断，其次是磁盘空间不足。Ollama 拉取模型时会先写临时文件，如果磁盘剩余空间不够，会在下载到一半时报错。
解决：先检查磁盘剩余空间，确认有 20GB 以上可用。网络问题的话，重新执行 pull 命令，Ollama 支持断点续传，不会从头开始下。如果反复卡在同一个位置，可以尝试先 ollama rm deepseek-r1 删掉不完整的下载，再重新 pull。
4.2 端口 11434 被占用
现象：ollama serve 启动时报错，提示端口已被占用，或者 API 调用返回连接拒绝。
原因：之前启动的 Ollama 进程没有正常退出，残留进程占着端口；或者系统里其他程序碰巧用了 11434。
解决：用 netstat -ano | findstr :11434 找到占用进程的 PID，在任务管理器里结束掉。如果确认是 Ollama 残留进程，结束之后重新 ollama serve 即可。如果端口被其他程序长期占用，可以设置环境变量 OLLAMA_HOST=127.0.0.1:11435 换一个端口，然后重启 Ollama 服务。
4.3 模型运行缓慢或卡死
现象：ollama run 之后模型响应很慢，或者直接卡住不动。
原因：内存不足是最常见的。DeepSeek-R1 运行时会占用大量内存，如果同时开着浏览器、IDE 等吃内存的程序，系统会频繁使用虚拟内存，速度断崖式下降。
解决：跑模型之前关掉不必要的程序，尤其是浏览器标签页。用任务管理器看一下内存占用，如果内存长期在 90% 以上，说明硬件确实吃紧，考虑加内存条或者换小参数模型。另外，如果你有 NVIDIA GPU，确认 Ollama 是否正确识别到了 GPU，可以在 ollama run 的输出日志里看有没有 CUDA 相关的信息。
4.4 命令行提示 ollama 不是内部或外部命令
现象：安装完 Ollama 后，在 PowerShell 里敲 ollama 命令提示找不到。
原因：Ollama 安装目录没有加到系统 PATH 环境变量里。这种情况常见于自定义安装路径，或者安装过程中权限不足导致环境变量没写进去。
解决：找到 Ollama 的安装目录，默认在用户目录的 AppData\Local\Programs\Ollama 下。把这个路径加到系统环境变量 Path 里，然后重开一个 PowerShell 窗口再试。如果懒得改环境变量，直接用完整路径调用也行，但每次敲全路径太麻烦，还是建议加到 PATH。
4.5 REST API 调用返回空响应或报错
现象：Python 脚本调用 API 后，response.json() 里没有 response 字段，或者直接抛异常。
原因：常见的有三种——模型名称写错了、Ollama 服务没在跑、请求体格式不对。模型名称必须和 ollama list 里显示的完全一致，大小写和连字符都不能错。
解决：先用 curl 或浏览器直接访问 http://localhost:11434/api/tags 确认服务在跑，并且能看到模型列表。然后检查 Python 脚本里的 model 字段是否和列表里的名称一致。如果服务正常、名称也对，检查请求体的 JSON 格式，确保 prompt 字段是字符串，stream 字段是布尔值。
5. 装完之后：验证 DeepSeek-R1 是否真正跑通的三个检查点
装完 Ollama 和 DeepSeek-R1 之后，别急着关终端。我一般会走一遍下面三个检查点，确认整套环境是真的跑通了，而不是表面看着没问题、一调 API 就翻车。
第一个检查点：模型列表和版本信息。执行 ollama list 确认 deepseek-r1 在列表里，同时 ollama --version 确认 Ollama 版本号正常输出。这两条命令都通过，说明安装和拉取环节没有遗留问题。
第二个检查点：命令行交互响应。执行 ollama run deepseek-r1 "1+1 等于几"，观察模型是否能正常返回答案。这一步验证的是模型加载和推理链路。如果这一步卡住或者报错，问题出在模型文件或内存上，回到第 4 章排查。
第三个检查点：REST API 连通性。用 Python 脚本或者 curl 调一次 /api/generate 接口，确认能拿到 JSON 格式的响应。这一步验证的是服务端口和 API 链路。我习惯用 curl 快速测一下：
curl http://localhost:11434/api/generate -d "{\"model\":\"deepseek-r1\",\"prompt\":\"你好\",\"stream\":false}"如果返回的 JSON 里有 response 字段且内容非空，说明 API 链路完全打通。三个检查点都过了，这套本地部署才算真正落地。
从那以后我每次装完 Ollama 都强制走一遍这三个检查点，不再凭感觉判断「应该装好了」。因为本地大模型部署的坑往往不在安装本身，而在装完之后你以为它能跑、实际上端口没通或者模型没加载完整。希望这份笔记能帮你少走一段弯路。
本文还有配套的精品资源，点击获取
