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：
- 易于使用：通过少量代码即可完成模型服务的部署；
- 高性能：支持并发请求和高效推理，满足生产环境需求；
- 灵活扩展：可与其他工具（如 LangChain）无缝集成，构建复杂的 AI 应用。
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~
