在人工智能技术迅猛发展的今天，大模型（llm）已经成为推动 ai 应用落地的关键动力。在之前的分享「普通人上手 deepseek 的实用攻略」中，我们已经成功将 deepseek 大模型高效地部署到本地环境，并对外提供稳定的服务。
本文将与你分享我们基于 LangServe 框架，将 DeepSeek 本地大模型转化为服务的实践经验，带领你一步步了解如何快速搭建、部署和管理本地大模型服务，使 AI 能力真正触手可及。
1、了解 LangServe
LangServe 是一个专门为语言模型设计的服务化框架，旨在帮助开发者将大模型能力迅速封装成 API 服务。其核心优势包括：
对于需要在本地环境中部署大模型的团队来说，LangServe 是一个不可或缺的工具。
2、实践安装
从零开始的 DeepSeek 服务化是本文的重点内容。
2.1 环境准备
安装 LangServe：
pip install "langserve[all]"
或者使用 pip install "langserve[client]" 安装客户端代码，使用 pip install "langserve[server]" 安装服务器端代码。
下载 DeepSeek 模型权重，并配置本地推理环境，之前的「普通人上手 Deepseek 的实用攻略」已经完成了这一步骤。
2.2 模型封装
使用 LangServe 将 DeepSeek 模型封装为 API 服务：
引入关联类库：
from fastapi import FastAPI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser from langchain_ollama.llms import OllamaLLM from langserve import add_routes
创建提示词模板：
system_template = "来，一起计算这个难题吧！"
prompt_template = ChatPromptTemplate.from_messages([
('system', system_template),
('user', '{text}')
])创建本地大模型：
model = OllamaLLM(model="deepseek-r1:1.5b")
创建解析器：
parser = StrOutputParser()
创建链：
chain = prompt_template | model | parser
定义 App：
app = FastAPI(
title="LangChain Server",
version="1.0",
description="使用 LangChain 的 Runnable 接口的简单 API 服务器。",
)添加链的路由：
add_routes(
app,
chain,
path="/calc",
)启动命令：
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="localhost", port=8010)至此，一个简单的问答链已经创建好了。运行它需要一个参数：text。
2.3 启动程序
启动此程序，出现类似下面的输出则说明启动成功。
根据上图的信息，在浏览器输入 http://localhost:8010/calc/playground/
2.4 问答交互
接下来，我们尝试输入一个简单问题来进行交互吧~
搞定！
后续 DeepSeek 学习内容，持续更新，欢迎关注~
