DeepSeek на Windows запустили локально за 15 минут
Автор рассказал, как на обычном ноутбуке с Windows поднял локальный DeepSeek для простых рабочих задач: проверки Python-кода, разбора Pandas и поиска ошибок в SQL. Идея оказалась полезной там, где нельзя отправлять код и данные в облачные сервисы.
Зачем вообще понадобился локальный ИИ
Полгода назад у автора возникла потребность в личном помощнике для работы прямо на ноутбуке. Задачи были вполне бытовые для аналитика или разработчика: посмотреть кусок Python-кода, понять, что делает Pandas-выражение, проверить SQL-запрос или быстро переписать фрагмент программы.
Но был важный ограничитель: рабочий код и данные нельзя было уносить во внешние сервисы. Из-за этого привычные облачные решения вроде ChatGPT не подходили, а локальные модели раньше казались чем-то сложным и почти «для специалистов» — с Linux, Docker, CUDA и кучей дополнительной настройки.
Как запустить DeepSeek через Ollama
На практике все оказалось проще. Для запуска автор использовал Ollama — это программа, которая позволяет работать с языковыми моделями на своем компьютере. Сначала он скачал и установил Ollama для Windows, а затем через командную строку загрузил модель DeepSeek.
После этого модель начала работать локально, то есть запросы обрабатывались прямо на компьютере пользователя, без отправки в облако. Весь процесс занял примерно 15 минут, если не считать время на скачивание самой модели. В его случае загрузка заняла 5,2 ГБ.
Автор отдельно отмечает, что Ollama и DeepSeek — это не одно и то же: первая нужна для запуска, вторая является самой моделью. Также он подчеркивает, что это не готовое корпоративное решение с закрытым контуром, а именно локальный запуск на своем ПК, где вопросы информационной безопасности нужно оценивать отдельно.
Что реально можно делать и кому это пригодится
Проверка показала, что локальный DeepSeek подходит не только для знакомства, но и для повседневной помощи. Ему можно показывать небольшой кусок кода и задавать понятные вопросы: что делает группировка в Pandas, какие проблемы могут быть в выражении, что вернет SQL-запрос и на что обратить внимание.
Это особенно полезно тем, кто работает с чувствительными данными и не может отправлять их в облако: аналитикам, разработчикам, сотрудникам с внутренним кодом и любым специалистам, которым нужен быстрый «второй взгляд» на фрагмент задачи. При этом автор честно пишет, что локальная модель не заменяет крупные облачные сервисы: все зависит от железа, а небольшие модели могут отвечать слабее на сложных запросах.
Для первого старта не понадобились регистрация, API-ключ, Docker, отдельный сервер или специальная инфраструктура. Дальше, по словам автора, можно идти глубже и подключать модель к Python через API, использовать ее в VS Code или работать с локальными документами.