Cline/Roo Code集成DeepSeek R1编程

如果你正在寻找一款擅长推理、同时又因为开源而可以免费使用的 AI，那么刚刚发布的 DeepSeek R1 是一个很好的选择。它能够与 GPT-4、o1-mini、Claude 3.5 等模型竞争，甚至在表现上超过它们。我亲自测试过，对它只有好评！

如果你想像使用 GitHub Copilot 一样，直接在 Visual Studio Code 中把它作为代码 Agent 运行，而且一分钱也不用花，接下来我会向你展示如何借助 LM Studio、Ollama 和 Jan 等工具实现这一点。

为什么最近大家都在讨论 DeepSeek R1？

免费且开源： 与许多收费高昂的模型不同，你无需支付任何费用即可使用它。你甚至可以直接在 https://chat.deepseek.com 上与它聊天。

免费且开源： 与许多收费高昂的模型不同，你无需支付任何费用即可使用它。你甚至可以直接在 https://chat.deepseek.com 上与它聊天。

性能： 在涉及逻辑、数学，甚至代码生成的任务中，它能够与其他模型竞争并超越它们（代码生成也是我最喜欢的部分）。

性能： 在涉及逻辑、数学，甚至代码生成的任务中，它能够与其他模型竞争并超越它们（代码生成也是我最喜欢的部分）。

多个版本： 如果要在本地运行它（LLM），可以选择参数量从 1.5B 到 70B 不等的模型，因此你可以根据自己的硬件配置，选择最适合 PC 的版本。

多个版本： 如果要在本地运行它（LLM），可以选择参数量从 1.5B 到 70B 不等的模型，因此你可以根据自己的硬件配置，选择最适合 PC 的版本。

易于集成： 你可以使用 Cline 或 Roo Code 等扩展，将它连接到 VSCode。

易于集成： 你可以使用 Cline 或 Roo Code 等扩展，将它连接到 VSCode。

零成本： 如果在本地运行，就不需要为 token 或 API 付费。建议使用显卡，因为完全依赖 CPU 运行时速度会比较慢。

零成本： 如果在本地运行，就不需要为 token 或 API 付费。建议使用显卡，因为完全依赖 CPU 运行时速度会比较慢。

开始之前的重要提示

节省资源： 如果你的 PC 性能不太强，建议选择较小的模型（1.5B 或 7B 参数）或量化版本。

节省资源： 如果你的 PC 性能不太强，建议选择较小的模型（1.5B 或 7B 参数）或量化版本。

RAM 计算器： 使用 LLM Calc 查看你至少需要多少 RAM。

RAM 计算器： 使用 LLM Calc 查看你至少需要多少 RAM。

隐私： 在本地运行意味着数据会留在你的 PC 上，不会被发送到外部服务器。

隐私： 在本地运行意味着数据会留在你的 PC 上，不会被发送到外部服务器。

零成本： 在本地运行是免费的，但如果你想使用 DeepSeek API，就需要为 token 付费。好消息是，它的价格远低于竞争对手。

零成本： 在本地运行是免费的，但如果你想使用 DeepSeek API，就需要为 token 付费。好消息是，它的价格远低于竞争对手。

应该选择哪个模型？这取决于你的 PC！

DeepSeek R1 提供多个版本，具体选择取决于你的硬件：

1.5B 参数： 所需 RAM：约 4 GB。GPU：集成显卡（例如 NVIDIA GTX 1050）或现代 CPU。适合什么场景？简单任务和配置普通的 PC。

GPU： 集成显卡（例如 NVIDIA GTX 1050）或现代 CPU。

适合什么场景？： 简单任务和配置普通的 PC。

7B 参数： 所需 RAM：约 8～10 GB。GPU：独立显卡（例如 NVIDIA GTX 1660 或更高配置）。适合什么场景？中等难度的任务，以及硬件配置较好的 PC。

所需 RAM： 约 8～10 GB。

GPU： 独立显卡（例如 NVIDIA GTX 1660 或更高配置）。

适合什么场景？： 中等难度的任务，以及硬件配置较好的 PC。

70B 参数： 所需 RAM：约 40 GB。GPU：高端显卡（例如 NVIDIA RTX 3090 或更高配置）。适合什么场景？复杂任务和性能极其强大的 PC。

所需 RAM： 约 40 GB。

GPU： 高端显卡（例如 NVIDIA RTX 3090 或更高配置）。

适合什么场景？： 复杂任务和性能极其强大的 PC。

如何在本地运行 DeepSeek R1

使用 LM Studio

下载并安装 LM Studio： 只需前往 LM Studio 网站，下载适用于你当前系统的版本。

下载并安装 LM Studio： 只需前往 LM Studio 网站，下载适用于你当前系统的版本。

下载 DeepSeek R1 模型： 在 LM Studio 中进入 Discover 选项卡，搜索“DeepSeek R1”，然后选择与你的系统最兼容的版本。如果你使用的是搭载 Apple 处理器的 MacBook，请保持选中搜索栏旁边的 MLX 选项（这些版本针对 Apple 硬件进行了优化）。如果使用 Windows 或 Linux，请选择 GGUF 选项。

下载 DeepSeek R1 模型： 在 LM Studio 中进入 Discover 选项卡，搜索“DeepSeek R1”，然后选择与你的系统最兼容的版本。如果你使用的是搭载 Apple 处理器的 MacBook，请保持选中搜索栏旁边的 MLX 选项（这些版本针对 Apple 硬件进行了优化）。如果使用 Windows 或 Linux，请选择 GGUF 选项。

加载模型： 下载完成后，进入 Local Models，选择 DeepSeek R1，然后单击 Load。

加载模型： 下载完成后，进入 Local Models，选择 DeepSeek R1，然后单击 Load。

启动本地服务器： 在 Developer 选项卡中启用 Start Server。模型将开始运行在 http://localhost:1234。

启动本地服务器： 在 Developer 选项卡中启用 Start Server。模型将开始运行在 http://localhost:1234。

接下来进入第 4 步：与 VSCode 集成！

接下来进入第 4 步：与 VSCode 集成！

使用 Ollama

安装 Ollama： 从 Ollama 网站下载安装程序并完成安装。

下载模型： 在终端中运行*：

   ollama pull deepseek-r1

*这是主模型；如果你想使用更小的模型，请前往 https://ollama.com/library/deepseek-r1，查看需要在终端中运行哪条命令。

启动服务器： 在终端中执行：

   ollama serve

该命令会启动模型，使其运行在 http://localhost:11434。

接下来进入第 4 步：与 VSCode 集成！

使用 Jan

下载并安装 Jan： 在 Jan 网站上选择适用于你当前系统的版本。

下载并安装 Jan： 在 Jan 网站上选择适用于你当前系统的版本。

下载模型： 我没能直接在 Jan 中找到 DeepSeek R1。因此，我前往 Hugging Face 网站，手动搜索“unsloth gguf deepseek r1”。找到想要的版本后，我单击了“Use this model”按钮，并选择 Jan。随后，模型自动在 Jan 中打开，我再将它下载下来。

下载模型： 我没能直接在 Jan 中找到 DeepSeek R1。因此，我前往 Hugging Face 网站，手动搜索“unsloth gguf deepseek r1”。找到想要的版本后，我单击了“Use this model”按钮，并选择 Jan。随后，模型自动在 Jan 中打开，我再将它下载下来。

加载模型： 下载完成后，选择该模型并单击 Load。

加载模型： 下载完成后，选择该模型并单击 Load。

启动服务器： Jan 会自动启动服务器，通常运行在 http://localhost:1337。

启动服务器： Jan 会自动启动服务器，通常运行在 http://localhost:1337。

接下来进入第 4 步：与 VSCode 集成！

接下来进入第 4 步：与 VSCode 集成！

与 VSCode 集成

安装扩展： 在 VSCode 中打开 Extensions 选项卡，然后安装 Cline 或 Roo Code。

为 Jan 或 LM Studio 配置扩展： Cline 和 Roo Code 的配置方式几乎完全相同。请按照以下步骤操作：单击扩展并进入“Settings”。在 API Provider 中选择“LM Studio”。在 Base URL 字段中输入 Jan 或 LM Studio 配置的 URL。如果只有一个可用模型，Model ID 字段会自动填写。否则，请手动选择你下载的 DeepSeek 模型。最后单击“Done”完成配置。

为 Jan 或 LM Studio 配置扩展： Cline 和 Roo Code 的配置方式几乎完全相同。请按照以下步骤操作：

单击扩展并进入“Settings”。

在 API Provider 中选择“LM Studio”。

在 Base URL 字段中输入 Jan 或 LM Studio 配置的 URL。

如果只有一个可用模型，Model ID 字段会自动填写。否则，请手动选择你下载的 DeepSeek 模型。

最后单击“Done”完成配置。

为 Ollama 配置扩展： 单击扩展并进入“Settings”。在 API Provider 中选择“Ollama”。在 Base URL 字段中输入 Ollama 配置的 URL。如果只有一个可用模型，Model ID 字段会自动填写。否则，请手动选择你下载的 DeepSeek 模型。最后单击“Done”完成配置。

为 Ollama 配置扩展：

单击扩展并进入“Settings”。

在 API Provider 中选择“Ollama”。

在 Base URL 字段中输入 Ollama 配置的 URL。

如果只有一个可用模型，Model ID 字段会自动填写。否则，请手动选择你下载的 DeepSeek 模型。

最后单击“Done”完成配置。

集成已经完成，现在尽情使用 Cline 或 Roo Code 的各项功能吧。

集成已经完成，现在尽情使用 Cline 或 Roo Code 的各项功能吧。

对于既想使用强大 AI、又不想花钱的人来说，DeepSeek R1 简直是救星。借助 LM Studio、Ollama 或 Jan，你可以在本地运行它，并将其直接集成到 Visual Studio Code 中。选择适合你 PC 的模型，今天就开始使用吧！

部分评论可能只有登录后的访客才能看到。登录后即可查看所有评论。

如果需要采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。