★ FEATURED ARTICLE 简介《DeepSeek使用方法.pdf》是一份面向DeepSeek入门及进阶用户的完整使用指南重点围绕V3与R1两款模型的能力差异与适用场景展开帮助读者根据任务类型与成本选择合适的模型。资源共1个PDF文件压缩包大小约311KB篇幅紧凑但覆盖全面。文档依次梳理了三种主流使用方式官方网页版与手机App的注册对话流程、通过Ollama在本地部署蒸馏版模型含1.5B/14B/34B等版本选择、以及面向具备计算机基础的用户的API客户端如ChatBox、硅基流动配置方法并给出R1模型成本更高、API调用需监控用量等实用提醒。目前已有365人浏览学习适合从零上手DeepSeek、关注本地隐私保护或希望灵活调用API的读者参考使用。1. 三种使用方式都试过之后我给 DeepSeek 的结论是先把模型选对再谈下载和部署最近 DeepSeek 的热度不用多说但真正把它用起来的人里一半卡在「不知道网页版和本地版有什么区别」另一半卡在「装了 R1 却不知道什么时候该用它」。我把官方网页、本地部署、API客户端三种路径都实际跑了一遍结论很直接如果你只是日常用 AI 帮忙写东西、做翻译、整理信息官方网页版就是天花板V3 打底、R1 按需切换完全免费如果看重数据隐私或想离线使用才需要走 Ollama 本地部署一条路再往上想把这个能力集成进自己的工具链才轮到 API 客户端。这篇文章把每一步的操作、参数选择和真实踩坑都摊开讲照着顺序走基本不会翻车。2. 先分清 V3 和 R1一个负责全面一个负责硬核2.1 绝大多数任务其实用不到 R1很多人一上手就直奔 R1觉得「高级推理模型」一定更强。实际用下来恰恰相反日常任务里 V3 的响应速度和效果更均衡。DeepSeek V3 定位是通用模型文案改写、邮件润色、信息归纳、常识问答这些场景V3 的表现已经足够好而且官方渠道完全免费不用心疼调用次数。判断要不要切 R1我的习惯是看任务里有没有「多步推理」。让模型解释一段代码的运行逻辑、解一道需要分情况讨论的数学题、做一份设备采购对比分析这种任务中间链路长、需要模型反复自我校验R1 的优势就出来了。反过来让模型把一段话改得更口语化R1 反而可能因为过度思考输出带绕弯的解释不如 V3 直接。2.2 什么时候必须切到 R1我实际使用中R1 高频出场的场景有三类代码调试、数学推导、复杂逻辑判断。比如写一段处理并发任务的多线程代码V3 给的答案在语法上没问题但遇到竞争条件时思路容易断切成 R1 之后它会主动列出竞态产生的前提条件再补上锁和等待机制的实现质量差距很明显。R1 在数学上的表现更突出。我拿历年考研数学的二重积分题测过V3 偶尔会计算出错R1 基本一次到位而且解题步骤完整、思路可追溯。这里要提醒一句R1 的使用成本比 V3 高尤其是在 API 付费场景下不要在简单问答上浪费 R1 的额度把它的推理能力留在真正需要的地方。2.3 一张表说清两个模型怎么选对比维度DeepSeek V3DeepSeek R1定位通用全能型深度推理型擅长任务文案、翻译、日常问答、信息整理写代码、数学题、复杂逻辑分析响应速度快普通对话无感知延迟相对较慢推理链越长耗时越高使用成本官方免费API 价格低官方免费API 价格高推荐使用方式日常默认模型按需切换推理任务专用提示官方网页版可以随时在 V3 和 R1 之间切换不需要重新登录或配置。设置里手动切换到 R1 会进入推理模式不用的时候切回 V3 即可。3. 官方渠道上手零门槛但有两个隐藏细节3.1 网页版和手机 APP 的注册差异官方渠道是我最推荐的方式打开链接就能用手机电脑都支持。首次登录有三种注册方式86 手机号、微信、邮箱。实测下来手机号注册最稳验证码秒到微信扫码也快但后续如果更换绑定手机需要额外操作邮箱注册看着通用部分邮箱服务商的验证延迟最长达十几分钟赶上急用就很耽误事。手机 APP 的下载路径有两条官网上把鼠标移到「获取手机 APP」区域会弹出二维码扫码下载或者直接在手机应用商城搜「DeepSeek」安装。APP 的界面和网页版基本一致模型切换入口在对话框上方V3 和 R1 一目了然。3.2 模型切换的实际位置很多人找 R1 的入口找半天其实逻辑很简单网页版和 APP 的对话框上方就有模型选项默认停在 V3点一下就能切成 R1再点一下切回。我见过有人反复刷新页面找切换按钮实际只是没注意到工具栏的折叠样式。另有一个细节容易被忽略官方渠道的对话上下文会持续保留不需要在每轮提问前重复背景信息。我平时写方案会先把需求背景在一条消息里讲清楚然后连续追问模型始终在这个上下文里工作。这个机制对 R1 尤其重要因为推理模型的答案依赖完整的前置条件。3.3 官方渠道的适用人群和边界官方方案适合绝大多数普通用户尤其是「不想折腾配置、打开就要用」的场景。它不需要本地算力手机也能跑完整版隐私数据由模型服务方负责处理。但这个方案有一个天然的短板完全依赖网络连接在网络受限的环境下就用不了。这时候才需要往下看本地部署的方案。4. 本地部署Ollama 跑蒸馏版要效果就得上硬件4.1 从 1.5B 起步先验证链路再验证效果本地部署的初衷无非两个数据不出机器、断网也能用。Ollama 是目前最省事的入口它把模型下载、运行、对话统一成一个命令行工具不用手动配 Python 环境和依赖。第一次装建议直接从 DeepSeek R1 1.5B 开始不要一上来就挑战大参数版本。原因很实际1.5B 的模型文件约 1.1GB下载快多数电脑跑得动用来把安装链路跑通最合适。流程就三步# 安装 Ollama官网下载对应系统版本此处以 macOS 为例 # 1. 在 Ollama 官网点击 Download安装完成后打开终端 # 2. 运行 DeepSeek R1 1.5B 版本 ollama run deepseek-r1:1.5b执行完这两步终端会进入对话模式直接输入问题就能拿到回复整个过程通常不超过 5 分钟。这里有个容易踩的坑deepseek-r1:1.5b这个模型名必须完整输入漏掉末尾的:1.5b会默认去找最大版本大概率因显存不足直接崩掉。4.2 升级到 14B 之前先看这三项硬件指标1.5B 版的作用是验证流程不是验证效果。它的回答质量相对有限很多复杂的逻辑问题处理不了这是模型本身的容量限制不是使用方法有问题。想让本地部署真正可用至少得升到 14B但升级之前先确认三件事内存14B 量化版加载后需要约 9GB 内存低于 16GB 内存的机器建议停在 7B 或 8B否则系统会频繁交换内存运行速度反而不如小模型显存NVIDIA 显卡建议至少 8GB 显存AMD 或苹果 M 系列芯片需要统一内存 16GB 以上磁盘14B 模型文件约 8.4GB下载前先看剩余空间我的建议是先用 1.5B 跑通再根据机器配置逐级往上试。14B 跑不动就退回 8B8B 还卡就检查后台是不是有别的程序占着内存。70B 以上的版本就别想了那是多卡服务器或数据中心的局面个人电脑硬跑就是自己折磨自己。4.3 本地部署的边界性能和隐私二选一本地部署有一个我反复强调、但很多人不信的事实蒸馏版的效果和官方完整版有明显差距这不是玄学是模型容量决定的。官方完整版的参数量是 671B本地跑的蒸馏版是在完整版输出上做压缩和微调得到的推理深度、知识覆盖面、上下文理解都会打折扣。所以我的判断是本地部署只适合两类人。一类是数据敏感的场景比如处理内部合同、个人隐私文件不想让数据过第三方服务器另一类是严格离线环境物理断网但又有 AI 辅助需求。如果你只是嫌网页版登录麻烦那完全没必要本地部署直接用官方渠道更好。4.4 本地部署的完整命令参数# 首次运行会自动拉取模型也可以手动拉取 ollama pull deepseek-r1:1.5b # 查看本机已下载的模型 ollama list # 删除不用的模型释放磁盘空间 ollama rm deepseek-r1:1.5b # 运行时可限制上下文长度默认4096显存紧张改小 ollama run deepseek-r1:1.5b --num-ctx 2048--num-ctx参数控制模型能记住的上下文长度越小越省显存但模型能参考的前文信息越少。日常问答不需要调它如果你把大段文章粘进去做分析再考虑调大。本地部署的底层逻辑是拿硬件换隐私硬件够硬才有好的交互体验这点在选方案之前就要想清楚。5. 避坑四条最常见的 DeepSeek 使用翻车记录5.1 装完 Ollama 运行模型却提示 not found现象命令行执行ollama run deepseek-r1:1.5b终端报错model not found甚至提示是否需要拉取某个不存在的模型名。原因绝大多数情况是模型名大小写或标签格式写错。Ollama 对模型名是严格匹配的DeepSeek-R1和deepseek-r1在部分版本里会识别为不同模型漏掉版本标签也会直接找不到。解决先去 Ollama 官网的模型库复制完整的拉取命令命令里写了什么就原样用。手动输入时统一小写并带完整的版本标签如deepseek-r1:1.5b。拉取完成后用ollama list确认模型在列表中再执行ollama run deepseek-r1:1.5b。5.2 以为调的是 R1实际一直在用 V3现象在 ChatBox 等第三方客户端里配置好后提问复杂逻辑题回复质量稳定但推理迹象不明显与官方 R1 的表现有明显差异。原因这类客户端对接 API 时默认模型指向 V3需要手动指定模型标识为 R1 对应的名称。配置界面里如果不改这个字段客户端会把请求发到 V3 上。官方网页版点一下按钮就能切换客户端里是两套配置。解决在客户端模型设置里查找「模型标识」或「Model ID」填写的输入框将内容改为 R1 在 API 服务商处的标识名。不同平台叫法不同配置时在服务商文档里搜「模型列表」或「支持模型」找到 R1 对应的一行复制进去然后重启客户端再测试。5.3 API 密钥被截图发出去额度被刷光现象刚在服务商平台充了小额测试费第二天后台提醒欠费查询发现请求量暴涨来源 IP 分布在多个地区。原因API 密钥属于敏感凭证它直接关联账户的消耗计费。密钥一旦出现在聊天截图、公共代码仓库或测试文档里会被外部扫描工具自动识别并用来发起请求这是所有 AI API 服务共同面临的风险不是某一家的个例。解决发现泄露后第一优先级是去服务商控制台删除旧密钥并生成新密钥同时开启用量提醒。养成两个习惯密钥只保存在本地配置文件中不要写入会被分享的代码文件把账户的月度消费上限调低即使泄露损失也可控。5.4 本地部署的模型回答质量远差于网页版现象同样一个问题官网 R1 能给出完整的分步推导本地跑出来的回答简短且偶尔出现事实错误让人怀疑装了个假的 DeepSeek。原因本地跑的是蒸馏版参数量只有 1.5B 到几十 B而官网完整版是 671B。蒸馏版在推理深度和知识储备上天然受限这不是设置问题是模型容量的物理差距。尤其 1.5B 版它的设计目标是轻量验证流程不是承担复杂推理任务。解决先确认自己装的版本号ollama list里有明确显示。如果当前是 1.5B且机器配置允许升级到 14B 再对比如果机器配置不够接受蒸馏版的性能边界把复杂任务交给官方渠道本地只处理不需要深度推理的日常内容。硬件条件摆在那里不要和物理定律较劲。6. 最终选型从使用场景倒推三条路各回各家方案体验隐私成本门槛适合谁官方网页/APP完整版最好数据过模型服务方免费极低注册即用绝大多数普通用户、追求效果的用户本地部署 Ollama蒸馏版有差距数据不出本机硬件成本已投软件免费中需命令行操作数据敏感者、离线环境API客户端完整版受第三方配置影响数据过 API 服务商按量付费较高需配置密钥开发者、有工具集成需求的人选哪条路不是看哪个方案更高级而是看自己的场景约束。日常写文档、查资料、随手问答官方网页版就是最优解没必要为「本地部署」的标签额外付出硬件和运维成本处理个人信息或公司敏感数据本地部署是唯一能保证数据不出本机的方案接受它的性能折损是合理代价需要把 DeepSeek 接入自己的工作流比如做自动化脚本、批量处理API 是必经之路但记得控制模型选择和调用量。最后一个具体技巧也是我现在每次使用前强制走一遍的流程问自己三个问题——这个任务需要多步推理吗数据能出本机吗要不要被程序调用三个问题回答完用哪条路、开哪个模型答案自己就出来了。这个习惯帮我避开了绝大多数无效部署和费用超支至少节约了十几个小时的折腾时间希望也能帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
