用 Docker 跑 DeepSeek：从安装到 WebUI 的完整部署命令包

发布人：慈云数据-客服中心发布时间：6小时前阅读量：1

DeepSeek Docker部署教程｜附完整命令

近年来，DeepSeek 系列大模型凭借较强的推理能力、代码能力以及较高的性价比，受到了很多开发者和企业用户的关注。对于个人学习、私有化测试、企业内部知识库或本地智能助手场景来说，将 DeepSeek 模型部署到自己的服务器上，是一个非常实用的选择。

本文将以 Docker 部署 DeepSeek 为主线，介绍如何在 Linux 服务器上通过 Docker 快速运行 DeepSeek 模型，并提供从环境准备、Docker 安装、Ollama 部署、DeepSeek 模型拉取、API 调用、WebUI 可视化界面部署到常见问题排查的完整命令。

说明：本文主要采用 Ollama + Docker 的方式部署 DeepSeek。本方案适合个人开发者、测试环境以及中小规模私有化使用。如果你需要大规模生产部署，可以进一步考虑 vLLM、TensorRT-LLM、Kubernetes、GPU 集群等方案。

一、部署方案说明

目前在本地或服务器上运行 DeepSeek 模型，常见方式包括：

Ollama 部署
- 上手简单
- 命令少
- 支持 Docker
- 适合本地开发和中小规模测试
vLLM 部署
- 性能较高
- 适合 API 服务化
- 更偏生产环境
- 对显卡资源和模型文件管理要求更高
Transformers 原生部署
- 灵活度高
- 适合研究和二次开发
- 配置相对复杂
第三方 API 调用
- 无需本地部署
- 成本按量计费
- 数据需要传输到外部服务

本文选择 Ollama + Docker，原因是部署成本低、稳定性较好，并且可以通过简单命令拉取并运行 DeepSeek 模型。

二、服务器配置建议

DeepSeek 有多个不同参数规模的模型，例如 1.5B、7B、8B、14B、32B、70B 等。模型越大，对硬件要求越高。

1. 基础配置建议

使用场景	CPU	内存	GPU	推荐模型
简单体验	2核以上	4GB以上	非必须	deepseek-r1:1.5b
日常问答	4核以上	8GB以上	非必须	deepseek-r1:7b
代码辅助	8核以上	16GB以上	建议	deepseek-coder / 7b
较强推理	16核以上	32GB以上	建议 12GB+ 显存	deepseek-r1:14b
高质量推理	32核以上	64GB以上	建议 24GB+ 显存	deepseek-r1:32b

如果没有 GPU，也可以使用 CPU 运行小参数模型，但推理速度会明显变慢。对于个人测试，建议从 deepseek-r1:1.5b 或 deepseek-r1:7b 开始。

三、系统环境准备

本文以 Ubuntu 22.04 为例，其他 Linux 发行版命令类似。

先更新系统软件包：

sudo apt update
sudo apt upgrade -y

安装常用工具：

sudo apt install -y curl wget git vim lsof net-tools ca-certificates gnupg

查看系统信息：

uname -a
lsb_release -a

查看 CPU 和内存：

lscpu
free -h

如果你的服务器有 NVIDIA GPU，可以使用以下命令查看显卡：

nvidia-smi

如果提示 command not found，说明可能没有安装 NVIDIA 驱动，或者服务器本身没有 NVIDIA 显卡。

四、安装 Docker

如果服务器已经安装 Docker，可以跳过本步骤。

1. 卸载旧版本 Docker

sudo apt remove -y docker docker-engine docker.io containerd runc

2. 安装 Docker 官方源

sudo apt update
sudo apt install -y ca-certificates curl gnupg

创建密钥目录：

sudo install -m 0755 -d /etc/apt/keyrings

添加 Docker GPG 密钥：

curl -fsSL https://download.docker.com/linux/ubuntu/gpg | \
sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg

设置权限：

sudo chmod a+r /etc/apt/keyrings/docker.gpg

添加 Docker 软件源：

echo \
"deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.gpg] \
https://download.docker.com/linux/ubuntu \
$(. /etc/os-release && echo "$VERSION_CODENAME") stable" | \
sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

更新软件源：

sudo apt update

3. 安装 Docker Engine

sudo apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

4. 启动 Docker

sudo systemctl enable docker
sudo systemctl start docker

查看 Docker 版本：

docker version

查看 Docker Compose 版本：

docker compose version

5. 将当前用户加入 Docker 用户组

如果不想每次执行 Docker 命令都输入 sudo，可以执行：

sudo usermod -aG docker $USER

然后退出终端重新登录，或者执行：

newgrp docker

测试 Docker 是否正常：

docker run hello-world

如果能够看到 Hello from Docker!，说明 Docker 安装成功。

五、使用 Docker 部署 Ollama

Ollama 是一个非常方便的大模型运行工具，可以通过简单命令拉取和运行模型。我们可以直接用 Docker 启动 Ollama 服务。

1. 创建数据目录

建议将 Ollama 数据挂载到宿主机目录，避免容器删除后模型文件丢失。

mkdir -p ~/ollama

也可以放到服务器数据盘，例如：

sudo mkdir -p /data/ollama
sudo chown -R $USER:$USER /data/ollama

下面以 /data/ollama 为例。

六、CPU 模式部署 DeepSeek

如果你的服务器没有 NVIDIA GPU，可以直接使用 CPU 模式运行 Ollama。

1. 启动 Ollama 容器

docker run -d \
  --name ollama \
  -p 11434:11434 \
  -v /data/ollama:/root/.ollama \
  --restart always \
  ollama/ollama:latest

参数说明：

参数	说明
`-d`	后台运行容器
`--name ollama`	容器名称为 ollama
`-p 11434:11434`	将容器 11434 端口映射到宿主机
`-v /data/ollama:/root/.ollama`	挂载模型数据目录
`--restart always`	容器异常退出或服务器重启后自动启动
`ollama/ollama:latest`	Ollama 官方镜像

查看容器运行状态：

docker ps

查看 Ollama 日志：

docker logs -f ollama

七、GPU 模式部署 DeepSeek

如果你的服务器有 NVIDIA GPU，建议使用 GPU 加速。这样模型推理速度会明显提升。

1. 安装 NVIDIA 驱动

不同服务器环境安装方式可能不同。Ubuntu 可以使用以下命令查看推荐驱动：

ubuntu-drivers devices

安装推荐驱动：

sudo ubuntu-drivers autoinstall

安装完成后重启服务器：

sudo reboot

重启后检查：

nvidia-smi

如果能够看到 GPU 型号、显存和驱动版本，说明驱动正常。

2. 安装 NVIDIA Container Toolkit

添加 NVIDIA 官方 GPG key：

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | \
sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

添加软件源：

curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

更新软件源：

sudo apt update

安装工具：

sudo apt install -y nvidia-container-toolkit

配置 Docker 使用 NVIDIA 运行时：

sudo nvidia-ctk runtime configure --runtime=docker

重启 Docker：

sudo systemctl restart docker

测试 Docker 是否可以调用 GPU：

docker run --rm --gpus all nvidia/cuda:12.4.1-base-ubuntu22.04 nvidia-smi

如果容器内也能显示 GPU 信息，说明 GPU 容器环境配置成功。

3. GPU 模式启动 Ollama

如果之前已经启动过 CPU 版本容器，先停止并删除：

docker stop ollama
docker rm ollama

使用 GPU 启动：

docker run -d \
  --gpus all \
  --name ollama \
  -p 11434:11434 \
  -v /data/ollama:/root/.ollama \
  --restart always \
  ollama/ollama:latest

查看日志：

docker logs -f ollama

八、拉取 DeepSeek 模型

Ollama 容器启动后，就可以拉取 DeepSeek 模型。

进入容器：

docker exec -it ollama bash

拉取较小的 DeepSeek R1 1.5B 模型：

ollama pull deepseek-r1:1.5b

如果你的机器配置较好，可以拉取 7B 模型：

ollama pull deepseek-r1:7b

也可以拉取 8B 模型：

ollama pull deepseek-r1:8b

如果需要更强推理能力，可以尝试：

ollama pull deepseek-r1:14b

或者：

ollama pull deepseek-r1:32b

查看已安装模型：

ollama list

退出容器：

exit

也可以不进入容器，直接在宿主机执行：

docker exec -it ollama ollama pull deepseek-r1:7b

查看模型列表：

docker exec -it ollama ollama list

九、运行 DeepSeek 对话测试

模型下载完成后，可以直接运行：

docker exec -it ollama ollama run deepseek-r1:7b

然后输入问题，例如：

请用通俗语言解释一下什么是 Docker？

如果模型正常返回内容，说明 DeepSeek 已经部署成功。

如果你部署的是 1.5B 模型，则运行：

docker exec -it ollama ollama run deepseek-r1:1.5b

如果部署的是 14B 模型，则运行：

docker exec -it ollama ollama run deepseek-r1:14b

十、通过 API 调用 DeepSeek

Ollama 默认提供 HTTP API，端口为 11434。由于前面已经映射了端口，所以可以直接通过宿主机访问。

1. 测试模型生成接口

使用 curl 调用：

curl http://localhost:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-r1:7b",
    "prompt": "请写一段 Python 代码，实现快速排序。",
    "stream": false
  }'

如果返回 JSON 数据，并且包含模型生成文本，说明 API 正常。

2. 流式输出接口

如果希望流式返回：

curl http://localhost:11434/api/generate \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-r1:7b",
    "prompt": "请解释一下 HTTP 和 HTTPS 的区别。",
    "stream": true
  }'

3. 聊天接口调用

Ollama 也支持 chat 格式接口：

curl http://localhost:11434/api/chat \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-r1:7b",
    "messages": [
      {
        "role": "system",
        "content": "你是一个专业的中文技术助手。"
      },
      {
        "role": "user",
        "content": "请介绍一下 Docker Compose 的作用。"
      }
    ],
    "stream": false
  }'

十一、使用 Python 调用 DeepSeek API

如果你希望在 Python 项目中调用本地 DeepSeek，可以使用 requests。

1. 安装 requests

pip install requests

2. Python 示例代码

创建文件：

vim deepseek_test.py

写入以下内容：

import requests

url = "http://localhost:11434/api/chat"

payload = {
    "model": "deepseek-r1:7b",
    "messages": [
        {
            "role": "system",
            "content": "你是一个专业的中文技术助手。"
        },
        {
            "role": "user",
            "content": "请用简单的话解释什么是大语言模型。"
        }
    ],
    "stream": False
}

response = requests.post(url, json=payload)
print(response.json()["message"]["content"])

运行：

python deepseek_test.py

如果你的 API 服务部署在远程服务器上，需要将 localhost 替换为服务器 IP：

url = "http://服务器IP:11434/api/chat"

十二、使用 Docker Compose 部署 Ollama

如果你希望更方便地管理服务，推荐使用 Docker Compose。

1. 创建目录

mkdir -p ~/deepseek-docker
cd ~/deepseek-docker

2. 编写 docker-compose.yml

CPU 版本：

vim docker-compose.yml

写入：

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    ports:
      - "11434:11434"
    volumes:
      - /data/ollama:/root/.ollama
    restart: always

启动服务：

docker compose up -d

查看服务：

docker compose ps

拉取模型：

docker exec -it ollama ollama pull deepseek-r1:7b

运行测试：

docker exec -it ollama ollama run deepseek-r1:7b

3. GPU 版本 docker-compose.yml

如果需要 GPU 版本，可以使用如下配置：

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    ports:
      - "11434:11434"
    volumes:
      - /data/ollama:/root/.ollama
    restart: always
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

启动：

docker compose up -d

查看日志：

docker compose logs -f

如果 Compose 的 GPU 配置不生效，也可以使用 docker run --gpus all 的方式启动，通常更直接。

十三、部署 Open WebUI 可视化界面

命令行虽然方便，但如果你希望像 ChatGPT 一样通过网页聊天，可以部署 Open WebUI。

Open WebUI 是一个开源的 Web 界面，支持连接 Ollama，非常适合私有化大模型聊天场景。

1. 启动 Open WebUI

确保 Ollama 容器已经启动，然后执行：

docker run -d \
  --name open-webui \
  -p 3000:8080 \
  -e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
  -v open-webui:/app/backend/data \
  --add-host=host.docker.internal:host-gateway \
  --restart always \
  ghcr.io/open-webui/open-webui:main

访问地址：

http://服务器IP:3000

首次进入需要注册管理员账号。注册完成后，在模型列表中选择 DeepSeek 模型即可开始对话。

2. 如果 Ollama 和 Open WebUI 使用同一 Docker 网络

也可以创建一个专用网络：

docker network create deepseek-net

将 Ollama 连接到该网络：

docker network connect deepseek-net ollama

启动 Open WebUI：

docker run -d \
  --name open-webui \
  --network deepseek-net \
  -p 3000:8080 \
  -e OLLAMA_BASE_URL=http://ollama:11434 \
  -v open-webui:/app/backend/data \
  --restart always \
  ghcr.io/open-webui/open-webui:main

十四、Ollama + Open WebUI 的 Docker Compose 完整配置

如果你希望一次性部署 Ollama 和 Open WebUI，可以使用以下 docker-compose.yml。

创建目录：

mkdir -p ~/deepseek-stack
cd ~/deepseek-stack

编辑文件：

vim docker-compose.yml

CPU 版本完整配置：

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    ports:
      - "11434:11434"
    volumes:
      - /data/ollama:/root/.ollama
    restart: always

  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    container_name: open-webui
    ports:
      - "3000:8080"
    environment:
      - OLLAMA_BASE_URL=http://ollama:11434
    volumes:
      - open-webui:/app/backend/data
    depends_on:
      - ollama
    restart: always

volumes:
  open-webui:

GPU 版本完整配置：

services:
  ollama:
    image: ollama/ollama:latest
    container_name: ollama
    ports:
      - "11434:11434"
    volumes:
      - /data/ollama:/root/.ollama
    restart: always
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

  open-webui:
    image: ghcr.io/open-webui/open-webui:main
    container_name: open-webui
    ports:
      - "3000:8080"
    environment:
      - OLLAMA_BASE_URL=http://ollama:11434
    volumes:
      - open-webui:/app/backend/data
    depends_on:
      - ollama
    restart: always

volumes:
  open-webui:

启动：

docker compose up -d

查看容器：

docker compose ps

拉取模型：

docker exec -it ollama ollama pull deepseek-r1:7b

访问 WebUI：

http://服务器IP:3000

十五、开放远程访问端口

如果你在云服务器上部署，需要确认安全组和防火墙允许访问端口。

常用端口：

服务	端口
Ollama API	11434
Open WebUI	3000

如果使用 UFW 防火墙，可以执行：

sudo ufw allow 11434/tcp
sudo ufw allow 3000/tcp
sudo ufw reload

查看防火墙状态：

sudo ufw status

不过需要注意，不建议直接将 Ollama API 的 11434 端口暴露到公网。因为 Ollama 默认没有复杂鉴权机制，如果直接公网开放，可能存在被滥用风险。

更推荐的方式是：

只开放 Open WebUI 的 3000 端口；
给 WebUI 配置登录账号；
使用 Nginx 反向代理并配置 HTTPS；
对 API 服务增加鉴权；
在安全组中限制访问 IP。

十六、常用管理命令汇总

1. 查看 Ollama 容器

docker ps | grep ollama

2. 查看日志

docker logs -f ollama

3. 停止容器

docker stop ollama

4. 启动容器

docker start ollama

5. 重启容器

docker restart ollama

6. 删除容器

docker rm -f ollama

7. 查看模型列表

docker exec -it ollama ollama list

8. 删除模型

docker exec -it ollama ollama rm deepseek-r1:7b

9. 拉取模型

docker exec -it ollama ollama pull deepseek-r1:7b

10. 运行模型

docker exec -it ollama ollama run deepseek-r1:7b

11. 查看 Docker 占用空间

docker system df

12. 清理未使用镜像和缓存

docker system prune -a

注意：该命令会删除未使用的镜像、容器和缓存，执行前请确认不会误删重要内容。

十七、常见问题与解决方法

问题一：模型下载很慢怎么办？

可以尝试以下方法：

更换网络环境；
使用海外服务器；
保持容器运行并等待下载完成；
选择更小的模型，例如 deepseek-r1:1.5b；
检查磁盘空间是否充足。

查看磁盘空间：

df -h

查看 Ollama 数据目录大小：

du -sh /data/ollama

问题二：运行模型时内存不足怎么办？

如果出现内存不足、容器退出、响应极慢等问题，通常是模型太大导致的。

解决方法：

换用更小模型；
增加服务器内存；
使用 GPU；
关闭其他占用内存的服务；
检查是否有 swap。

查看内存：

free -h

创建 8GB swap：

sudo fallocate -l 8G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile

设置开机自动挂载：

echo '/swapfile none swap sw 0 0' | sudo tee -a /etc/fstab

问题三：Docker 容器无法使用 GPU

先确认宿主机 GPU 正常：

nvidia-smi

再确认容器能访问 GPU：

docker run --rm --gpus all nvidia/cuda:12.4.1-base-ubuntu22.04 nvidia-smi

如果失败，通常需要检查：

NVIDIA 驱动是否安装；
NVIDIA Container Toolkit 是否安装；
Docker 是否重启；
启动容器时是否加了 --gpus all。

问题四：Open WebUI 无法连接 Ollama

先确认 Ollama 正常：

curl http://localhost:11434/api/tags

如果 Open WebUI 和 Ollama 是两个容器，需要确认网络配置是否正确。

查看容器网络：

docker inspect open-webui
docker inspect ollama

如果使用同一网络，Open WebUI 中的地址应配置为：

http://ollama:11434

如果通过宿主机访问，可以配置为：

http://host.docker.internal:11434

Linux 下通常还需要添加：

--add-host=host.docker.internal:host-gateway

问题五：API 无法从外部访问

确认服务监听端口：

ss -lntp | grep 11434

确认 Docker 端口映射：

docker ps

确认防火墙：

sudo ufw status

确认云服务器安全组已经开放对应端口。

十八、安全建议

在实际使用中，安全非常重要。尤其是当服务运行在公网服务器上时，不建议裸露大模型 API。

建议采取以下措施：

不要直接公网暴露 11434 端口
- Ollama API 默认没有完整的认证体系；
- 暴露公网可能导致接口被他人调用。
使用 Open WebUI 作为入口
- 配置用户登录；
- 使用管理员账号管理模型。
使用 Nginx 反向代理
- 配置 HTTPS；
- 可以增加 Basic Auth；
- 可以限制访问来源。
限制安全组访问 IP
- 只允许公司办公 IP 或个人固定 IP 访问。

定期更新镜像

更新 Ollama：

docker pull ollama/ollama:latest
docker restart ollama

更新 Open WebUI：

docker pull ghcr.io/open-webui/open-webui:main
docker restart open-webui

十九、一键部署命令示例

如果你只是想快速体验，可以直接执行以下命令。

CPU 一键部署

sudo mkdir -p /data/ollama

docker run -d \
  --name ollama \
  -p 11434:11434 \
  -v /data/ollama:/root/.ollama \
  --restart always \
  ollama/ollama:latest

docker exec -it ollama ollama pull deepseek-r1:1.5b

docker exec -it ollama ollama run deepseek-r1:1.5b

GPU 一键部署

前提是已经安装好 NVIDIA 驱动和 NVIDIA Container Toolkit。

sudo mkdir -p /data/ollama

docker run -d \
  --gpus all \
  --name ollama \
  -p 11434:11434 \
  -v /data/ollama:/root/.ollama \
  --restart always \
  ollama/ollama:latest

docker exec -it ollama ollama pull deepseek-r1:7b

docker exec -it ollama ollama run deepseek-r1:7b

WebUI 一键部署

docker run -d \
  --name open-webui \
  -p 3000:8080 \
  -e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
  -v open-webui:/app/backend/data \
  --add-host=host.docker.internal:host-gateway \
  --restart always \
  ghcr.io/open-webui/open-webui:main

访问：

http://服务器IP:3000

二十、总结

通过本文的步骤，我们完成了 DeepSeek 的 Docker 私有化部署，核心流程可以概括为：

安装 Docker；
启动 Ollama 容器；
拉取 DeepSeek 模型；
使用命令行测试对话；
通过 API 调用模型；
部署 Open WebUI 可视化界面；
根据需要配置 GPU 加速和安全访问。

如果只是个人体验，推荐使用：

deepseek-r1:1.5b

如果服务器配置较好，可以使用：

deepseek-r1:7b

如果你希望获得更强的推理能力，并且有足够显存和内存，可以尝试：

deepseek-r1:14b

或更大的模型。

总体来说，Docker + Ollama 是当前部署 DeepSeek 最简单、最稳定、最适合入门的一种方式。它不需要复杂的 Python 环境配置，也不需要手动下载和管理大量模型文件，非常适合开发者快速搭建本地大模型服务。

文章标签： DeepSeek Docker Ollama OpenWebUI

上一篇：DeepSeek 本地部署实战：用 Docker 快速跑通 Ollama 与 WebUI

下一篇：用 Docker 一键搭建本地 DeepSeek：Ollama + Open WebUI 完整配置示例

更多栏目

新闻动态

文档中心

下载中心

目录结构

全文

产品与服务

新闻帮助

生态合作

了解我们