在VisualStudioCode中免費使用DeepSeekR1

2025-04-21 11:36 21CTO

如果你正在尋找一款推理能力出色且開源且免費的人工智慧，那麼新推出的DeepSeek R1是一個不錯的選擇。它與 GPT-4、o1-mini、Claude 3.5 等模型相媲美，並且表現優於它們。我測試過它，讚不絕口！
想在Visual Studio Code中直接執行它作為類似於 GitHub Copilot 的程式碼代理，而無需花一分錢，請跟著我向你展示如何使用LM Studio、Ollama和Jan等工具來執行此操作。

為什麼 DeepSeek R1 最近受到如此熱議？

  • 它是免費且開源的：與許多收費昂貴的模型不同，你可以免費使用它。它甚至可以在https://chat.deepseek.com上進行聊天。
  • 效能：它在涉及邏輯、數學甚至程式碼生成（這是我最喜歡的部分）的任務中與其他模型競爭並超越其他模型。
  • 多個版本：要在本地執行（LLM），有從 1.5B 到 70B 引數的模型，因此你可以根據自己的硬體選擇最適合自己 PC 的模型。
  • 易於整合：你可以使用Cline或Roo Code等擴充套件將其連線到 VSCode 。
  • 無成本：如果在本地執行，則無需支付代幣或 API 費用。建議使用顯示卡，因為僅依靠 CPU 執行速度較慢。

開始前的重要提示

  • 節省資源：如果你的電腦效能不是很強大，請堅持使用較小的模型（1.5B 或 7B 引數）或量化版本。
  • RAM 計算器：使用LLM Calc找出你所需的最小記憶體。
  • 隱私：在本地執行意味著你的資料保留在您的電腦上，不會進入外部伺服器。
  • 無成本：本地執行是免費的，但如果想使用 DeepSeek API，則需要支付Token。好訊息是他們的價格比其它競爭對手低得多。

選擇哪種型號？取決於你的電腦！

DeepSeek R1 有多個版本，選擇取決於你的硬體：
  • 1.5B引數：
    • 所需記憶體：~4 GB。
    • GPU：整合（如 NVIDIA GTX 1050）或現代 CPU。
    • 用途：簡單的任務和普通的電腦。
  • 7B引數：
    • 所需記憶體：〜8-10 GB。
    • GPU：專用（如 NVIDIA GTX 1660 或更好）。
    • 用途：中級任務和具有更好硬體的PC。
  • 70B引數：
    • 所需記憶體：~40 GB。
    • GPU：高階（如 NVIDIA RTX 3090 或更高版本）。
    • 用途：複雜的任務和超強大的個人電腦。

如何在本地執行 DeepSeek R1

1. 使用 LM Studio

  • 下載並安裝 LM Studio：只需訪問LM Studio網站並下載適合您系統的版本。
  • 下載 DeepSeek R1 模型：在 LM Studio 中，轉到“發現”選項卡，搜尋“DeepSeek R1”，然後選擇與您的系統最相容的版本。如果您使用的是搭載 Apple 處理器的 MacBook，請保持搜尋欄旁邊的MLX選項處於選中狀態（這些版本針對 Apple 硬體進行了最佳化）。對於 Windows 或 Linux，請選擇GGUF選項。
  • 載入模型：下載完成後，進入本地模型，選擇DeepSeek R1，點選載入。
  • 啟動本地伺服器：在開發人員選項卡中，啟用啟動伺服器。它將開始執行模型http://localhost:1234。
  • 繼續執行步驟 4與 VSCode 整合！

2.使用Ollama

  • 安裝 Ollama ：
    從Ollama網站下載並安裝。
  • 下載模型：在終端中，執行：
ollama pull deepseek-r1*
  • 這是主要模型；如果想要較小的模型，請轉到https://ollama.com/library/deepseek-r1並檢視在終端中執行哪個命令。
  • 啟動伺服器：
    在終端中執行：
    ollama serve
該命令將開始執行模型http://localhost:11434。
請繼續執行步驟 4與 VSCode 整合。

3. 使用 Jan

  • 下載並安裝 Jan ：在Jan網站上選擇適合您系統的版本。
  • 下載模型：我在 Jan 中無法直接找到 DeepSeek R1。因此，我前往Hugging Face網站並手動搜尋“unsloth gguf deepseek r1”。我找到了所需的版本，單擊“使用此模型”按鈕，並選擇 Jan 作為選項。模型在 Jan 中自動開啟，然後我下載了它。
  • 載入模型：下載後，選擇模型，點選載入。
  • 啟動伺服器：Jan 自動啟動伺服器，通常在http://localhost:1337。
  • 繼續執行步驟 4與 VSCode 整合！

4. 與 VSCode 整合

  • 安裝擴充套件：在 VSCode 中，開啟擴充套件選項卡並安裝 Cline 或 Roo Code。
  • 為 Jan 或 LM Studio 配置擴充套件：Cline和Roo Code的配置實際上相同。請按照以下步驟操作：
    • 點選擴充套件並訪問“設定”。
    • 在API 提供程式中，選擇“LM Studio”。
    • 在基本 URL欄位中，輸入在 Jan 或 LM Studio 中配置的 URL。
    • 如果你只有一個可用模型，則模型 ID欄位將自動填充。否則，請手動選擇您下載的DeepSeek模型。
    • 單擊“完成”即可結束。
配置 Ollama 的擴充套件：
    • 點選擴充套件並訪問“設定”。
    • 在API 提供程式中，選擇“Ollama”。
    • 在Base URL欄位中，輸入在 Ollama 中配置的 URL。
    • 如果你只有一個可用模型，則模型 ID欄位將自動填充。否則，請手動選擇你下載的DeepSeek模型。
    • 單擊“完成”即可結束。
  • 整合完成，現在只需享受 Cline 或 Roo Code 的功能。

結論

對於那些想要獲得強大的 AI 而又不想花一分錢的人來說，DeepSeek R1 是一個救星。藉助LM Studio、Ollama或Jan，你可以在本地執行它並將其直接整合到Visual Studio Code中。

選擇適合你 PC 的型號並立即開始使用它吧！

作者：萬能的大雄
相關閱讀：

相關文章