基于 LangServe 的 Deepseek 本地大模型服务化实践

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~

以上就是基于 LangServe 的 Deepseek 本地大模型服务化实践的详细内容，更多请关注php中文网其它相关文章！