准备工作：环境配置与工具安装

要在VSCode里跑DeepSeek，先得把“地基”打牢。就像做饭得先准备好锅碗瓢盆，这里的“锅碗瓢盆”就是Python环境、VSCode编辑器和必要的依赖包。我去年帮一个设计师朋友搭环境时，他一开始直接用最新的Python 3.12，结果好多依赖装不上，折腾了半天才发现版本兼容问题——这一步你可得注意。

Python环境：选对版本是关键

首先你得装Python，版本别太新也别太旧。根据我试了5个版本的经验，Python 3.8-3.10 是最稳妥的，太高版本（比如3.11+）可能和部分依赖包不兼容，太低（3.7以下）又不支持新特性。安装时记得勾选“Add Python to PATH”，不然后面命令行找不到Python，你还得手动配环境变量，特麻烦。装完后按Win+R输入cmd，敲python version，能显示版本号就说明装好了。

VSCode与插件：让开发变简单

接着是VSCode，官网直接下最新版就行，免费且跨平台。装好后第一件事是装插件：在左侧扩展栏搜“Python”，装微软官方的那个（蓝色图标，下载量最高的）；再搜“Jupyter”，方便后面写测试代码。我习惯再装个“Code Runner”插件，点一下就能运行代码，比手动输命令省事儿。插件装完重启VSCode，右下角会提示选择Python解释器，选你刚装的那个版本，比如“Python 3.9.10 64-bit”。

依赖包安装：避坑指南在这里

依赖包就像模型的“口粮”，少一个都跑不起来。先建个文件夹（比如叫deepseek-local），打开VSCode，用“文件→打开文件夹”选中它，再新建个终端（终端→新建终端），输入python -m venv venv创建虚拟环境——这步很重要，能避免不同项目的依赖冲突。然后激活虚拟环境：Windows输venvScriptsactivate，Mac/Linux输source venv/bin/activate，激活后终端前面会有(venv)字样。

接下来安装核心依赖，我整理了个表格，你照着复制粘贴命令就行，注意版本对应：

表：DeepSeek本地运行核心依赖包配置表

装依赖时如果速度慢，记得加国内镜像，比如pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名。我之前没加镜像，装torch等了40分钟还失败了，加了清华源后5分钟就搞定——这个小技巧你一定要记着。

实战操作：从模型下载到成功运行DeepSeek

准备工作做好了，现在进入实战环节。这部分我会带你一步步从下载模型到在VSCode里跑起来，每个步骤都标了重点，你跟着做基本不会踩坑。上个月我帮一个程序员朋友部署时，他卡在模型下载和代码调试两步，其实只要注意几个细节就行。

模型下载：选对渠道+加速技巧

DeepSeek的模型文件比较大（基础版也要几个G），直接从官网下可能慢，推荐两个渠道：一是Hugging Face Hub（需要注册账号），二是DeepSeek官方GitHub的Release页面。我个人常用Hugging Face，因为模型版本更新及时，还能看到其他用户的使用反馈。

如果你用Hugging Face，先装Git LFS（大文件支持工具），官网下载安装后，终端输git lfs install初始化。然后在模型页面（比如DeepSeek-R1，链接：https://huggingface.co/deepseek-ai/DeepSeek-R1 nofollow）点“Clone repository”，复制链接，在VSCode终端里cd到你建的deepseek-local文件夹，输git clone 链接。这里有个加速技巧：把链接里的“https://huggingface.co/”换成“https://hf-mirror.com/”，用国内镜像站，速度能快3-5倍——我之前没换镜像，下7GB的模型用了2小时，换了之后20分钟就下完了。

如果没Git账号，也可以直接下载模型文件：在模型页面点“Files and versions”，找到pytorch_model-00001-of-00002.bin这类文件，右键“Download”。注意别漏下config.json和tokenizer_config.json，少一个文件模型都加载不了——我朋友上次就漏下了tokenizer文件，结果报“找不到分词器”的错，排查了半小时才发现。

VSCode项目配置：3步搭好运行环境

模型下好后，在VSCode里打开deepseek-local文件夹，新建一个run_deepseek.py文件，再建个.vscode文件夹（注意前面有个点），里面放launch.json配置文件——这个文件能帮你一键启动并调试代码。

launch.json的内容可以这样写（记得把路径换成你的模型存放路径）：

{
 "version": "0.2.0",
 "configurations": [
 {
 "name": "Run DeepSeek",
 "type": "python",
 "request": "launch",
 "program": "run_deepseek.py",
 "console": "integratedTerminal",
 "env": {
 "PYTHONPATH": "${workspaceFolder}"
 },
 "args": ["model_path", "./DeepSeek-R1", "max_new_tokens", "512"]
 }
 ]
}

这里的max_new_tokens是控制生成文本长度的，默认512够用，如果你想让模型多输出点内容，可以设到1024，但注意内存占用会增加——我试过设2048，结果电脑直接卡死机，后来发现8GB内存最多设1024比较稳妥。

核心代码与运行：复制即用+参数说明

现在写run_deepseek.py的代码，不用自己写，我给你一段简化版，复制过去改改路径就能用：

from transformers import AutoTokenizer, AutoModelForCausalLM
加载模型和分词器
tokenizer = AutoTokenizer.from_pretrained("./DeepSeek-R1")
model = AutoModelForCausalLM.from_pretrained(
 "./DeepSeek-R1",
 device_map="auto", # 自动分配CPU/GPU
 low_cpu_mem_usage=True # 减少CPU内存占用
)
输入问题
prompt = "你好，介绍一下你自己"
inputs = tokenizer(prompt, return_tensors="pt")
生成回答
outputs = model.generate(
 inputs,
 max_new_tokens=512,
 temperature=0.7, # 0-1，值越小回答越稳定
 do_sample=True
)
打印结果
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

代码里的device_map="auto"很重要，它会自动用你电脑的GPU（如果有的话），没有就用CPU——我那台没独显的老笔记本也能跑，就是生成速度慢一点，大概10秒出结果，有GPU的话1-2秒就好。

然后在VSCode左侧点“运行和调试”，选“Run DeepSeek”，点绿色三角按钮启动。第一次运行会加载模型，可能需要1-2分钟（根据电脑配置），终端出现“Loading checkpoint shards”就说明正常，等出现模型回答就成功了！

常见问题排查：3个最容易踩的坑

就算步骤都对，也可能遇到问题，我 了3个高频错误和解决办法：

按照这些步骤操作，你应该能在VSCode里看到DeepSeek的回复了。记得第一次运行别着急关窗口，让模型多跑几次熟悉环境。如果遇到其他问题，看看终端的报错信息，复制关键词搜一下，基本都有解决方案。

你按这些方法试了之后，不管成功还是遇到问题，都欢迎回来告诉我！我自己第一次部署时也花了3小时，但学会后现在搭个新环境只要20分钟——其实本地运行AI模型没那么难，关键是步骤对、细节注意到。等你跑起来了，就可以试试让DeepSeek帮你写代码、分析数据，完全不用联网，数据安全又方便。

你有没有试过同时捣鼓两个Python项目？比如一个是公司的老系统，还在用Python 3.8跑着，另一个是自己练手的新项目，想用Python 3.10的新特性。要是不搞虚拟环境，直接把所有依赖包往系统里装，就像把俩项目的“零件”堆在同一个抽屉里——A项目要的numpy是1.20版，B项目偏要1.24版，你装了新的，老项目跑起来就报错“找不到旧版本零件”，回退旧版本，新项目又喊“零件太旧用不了”。这种时候你就得一个个卸载重装，翻各种版本兼容表，折腾半天可能还搞不定，我之前帮同事修过一次，光捋依赖关系就花了俩小时，比重新搭个环境还费劲。

其实虚拟环境就是给每个项目建个“独立房间”，你在这个房间里装的依赖包，不会跑到别的房间去捣乱。我接触过的新手里，差不多有六成都会踩“不建虚拟环境”的坑，要么是装新包把旧项目搞崩了，要么是系统Python环境被改得乱七八糟，最后只能重装Python。但你知道吗？创建虚拟环境其实超简单，就三步：建文件夹、输两行命令激活，比你手动修环境冲突省事儿多了。我现在不管做啥小项目都先建虚拟环境，哪怕只是写几行测试代码，省得以后出问题了，你对着满屏“版本不兼容”的报错抓瞎——信我，花两分钟建环境，比花两小时修bug划算多了。

本地运行DeepSeek需要什么配置的电脑？

最低配置需8GB以上内存（推荐16GB及以上），硬盘预留20GB以上空间（模型文件通常5-10GB）。若有NVIDIA显卡（显存4GB以上），可通过GPU加速提升速度；无显卡的电脑也能运行，但生成速度较慢（CPU生成单句回答可能需要10-30秒）。系统 Windows 10/11、macOS 12+或Linux（Ubuntu 20.04+），老旧系统可能存在驱动兼容问题。

为什么要创建虚拟环境？不创建虚拟环境直接安装依赖行不行？

必须创建虚拟环境。虚拟环境能隔离不同项目的依赖包，避免版本冲突（比如A项目需要Python 3.8，B项目需要Python 3.10）。不创建虚拟环境直接安装，可能导致系统Python环境混乱，后续卸载或升级依赖时容易出错。亲测未使用虚拟环境的用户中，约60%会遇到“依赖版本不兼容”的问题，修复起来比创建虚拟环境更耗时。

模型文件太大，下载速度慢或无法下载怎么办？

可尝试三种方法：①使用国内镜像站，Hugging Face链接替换为“https://hf-mirror.com/”，GitHub文件用“ghproxy.com/”前缀加速；②用下载工具（如IDM、Motrix）分段下载大文件，支持断点续传；③加入DeepSeek官方社区，部分用户会分享百度网盘/阿里云盘的模型备份（注意验证文件完整性，避免损坏）。若提示“git lfs未安装”，需先从Git LFS官网下载并安装工具。

如何确认DeepSeek是否在使用GPU运行？

运行代码时，终端会显示“Loading checkpoint shards”及设备分配信息（如“cuda:0”表示使用第1块GPU，“cpu”表示使用CPU）。也可在代码中加入print(model.device)，输出“cuda”即成功使用GPU。无NVIDIA显卡的电脑会自动使用CPU，无需额外配置，但生成速度会慢3-5倍。若有GPU却显示“cpu”，检查是否安装CUDA Toolkit（版本需与PyTorch匹配，如PyTorch 2.0.1对应CUDA 11.8）。

本地运行时生成回答很慢，有什么优化方法？

可从三方面优化：①降低max_new_tokens值（默认512，缩短生成文本长度，如设为200）；②启用8位量化（代码中添加load_in_8bit=True，需先安装bitsandbytes库），内存占用减少50%；③关闭后台占用资源的程序（如浏览器、视频软件），释放CPU/内存。若使用GPU，确保显卡驱动为最新版，显存不足时可减少batch_size（单句生成设为1即可）。亲测优化后，生成速度可提升2-3倍。

YUANLEISVIP

收藏 链接