在人工智能技术飞速发展的今天，大模型（LLM）已成为推动 AI 应用落地的核心驱动力。上次分享「普通人上手 Deepseek 的实用攻略」，我们已经将 Deepseek 大模型的能力高效地部署到本地环境，并对外提供稳定的服务。
本文将分享我们基于 LangServe 框架，将 DeepSeek 本地大模型 服务化的实践经验，带你一步步了解如何快速搭建、部署和管理本地大模型服务，让 AI 能力真正触手可及。
图片
1、 认识 LangServe
LangServe 是一个专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快速封装为 API 服务。它的核心优势在于：
- 简单易用：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 AI 应用。
对于需要在本地环境中部署大模型的团队来说，LangServe 是一个不可多得的利器。
2、安装实践
从零到一的 DeepSeek 服务化，也是本文介绍的重点内容。
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「普通人上手 Deepseek 的实用攻略」已完成此步骤。
2.2 模型封装
使用 LangServe 将 DeepSeek 模型封装为 API 服务：
我们创建一个问答链，它提供简单地计算功能，按步骤组织代码
- 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- App 定义
app = FastAPI(
title="LangChain Server",
versinotallow="1.0",
descriptinotallow="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。
图片
根据上图的信息，在浏览器输入`http://localhost:8010/calc/playground/`
图片
2.4 问答交互
接下来，我们尝试输入个简单问题来进行交互吧~
图片
