Windows 环境自定义 Ollama 安装路径与 DeepSeek 部署实战指南

Ollama 作为轻量级大模型运行框架，默认安装路径固定且模型存储占用 C 盘空间，对系统盘容量有限的用户不友好。本文针对 Windows 系统，详解如何自定义 Ollama 安装路径、配置环境变量，以及部署 DeepSeek 系列模型（如 deepseek-coder-v2、deepseek-7b-chat），从环境准备、操作步骤到问题排查，提供全程可复现的实战方案，帮助用户高效利用磁盘空间，快速启动本地大模型服务。

一、核心认知：Ollama 安装与路径自定义原理

1. Ollama 默认安装痛点

Ollama 默认安装时存在两个核心问题，需通过自定义路径解决：

  • 安装路径固定：默认安装到C:\Users\<用户名>\AppData\Local\Ollama，无法选择其他磁盘（如 D 盘、E 盘）；
  • 模型存储占用 C 盘：拉取的模型（如 DeepSeek-7B 约 7GB）默认存于C:\Users\<用户名>\.ollama\models，长期使用易导致 C 盘空间不足。

2. 自定义路径实现原理

Windows 系统中，Ollama 的安装路径与模型存储路径可通过两个核心方式修改：

  • 安装路径自定义：通过命令行参数或修改安装包配置，指定 Ollama 核心程序的安装目录（如D:\Programs\Ollama）；
  • 模型路径自定义：设置系统环境变量OLLAMA_MODELS，指定模型存储目录（如D:\Ollama\Models），Ollama 会自动读取该路径下的模型文件。

二、实战步骤 1：自定义 Ollama 安装路径

1. 环境准备

  • 系统要求：Windows 10/11 64 位系统，至少 8GB 内存（运行 DeepSeek-7B 需 16GB 以上），预留 20GB 以上磁盘空间（DeepSeek-7B 约 7GB，DeepSeek-16B 约 16GB）；
  • 权限准备：确保当前用户拥有目标安装磁盘（如 D 盘）的读写权限，避免安装时出现 “权限不足” 错误。

2. 自定义安装路径操作步骤

（1）方式 1：命令行参数指定安装路径（推荐，简单高效）
  1. 打开命令提示符（CMD）：按下Win+R，输入cmd，按回车打开 CMD 窗口；
  1. 进入安装包所在目录：假设ollama-setup.exe下载到D:\Downloads，执行以下命令切换目录：


D:


cd D:\Downloads


    
 
  1. 指定安装路径并安装：执行以下命令，将 Ollama 安装到D:\Programs\Ollama（路径可自定义，需确保目录不存在或为空）：
    2. 





ollama-setup.exe /install "D:\Programs\Ollama"


    
 
  1. 验证安装：安装完成后，打开新的 CMD 窗口，执行ollama --version，若输出类似ollama version 0.1.48，说明安装成功且路径配置生效。
    2. 



（2）方式 2：修改安装包配置（适合需深度自定义场景）


若方式 1 失败，可通过修改安装包的配置文件指定路径，步骤如下：


    
 
  1. 解压安装包：将ollama-setup.exe重命名为ollama-setup.zip，用压缩软件（如 WinRAR、7-Zip）解压到D:\Downloads\OllamaSetup；
    2. 



    
 
  1. 修改配置文件：打开解压目录下的install.cfg文件，找到InstallDir字段，修改为目标路径：
    2. 





InstallDir=D:\Programs\Ollama


    
 
  1. 重新打包并安装：将修改后的文件重新压缩为 ZIP 格式，并重命名为ollama-setup-modified.exe，双击运行即可安装到指定路径。
    2. 



三、实战步骤 2：自定义模型存储路径（关键）


1. 设置模型路径环境变量


    
 
  1. 打开环境变量配置窗口：
    2. 



    
 
  • 
  
      
   
    • 按下Win+I打开 “设置”，搜索 “环境变量”，选择 “编辑系统环境变量”；
      • 
  
    • 



    
 
  • 
  
      
   
    • 在 “系统属性” 窗口中点击 “环境变量”，在 “系统变量” 区域点击 “新建”。
      • 
  
    • 



    
 
  1. 创建OLLAMA_MODELS环境变量：
    2. 



    
 
  • 
  
      
   
    • 变量名：OLLAMA_MODELS；
      • 
  
    • 



    
 
  • 
  
      
   
    • 变量值：D:\Ollama\Models（自定义模型存储路径，建议选择空间充足的磁盘）；
      • 
  
    • 



    
 
  • 
  
      
   
    • 点击 “确定” 保存，关闭所有已打开的 CMD/PowerShell 窗口（环境变量需重启终端生效）。
      • 
  
    • 



2. 验证模型路径配置


    
 
  1. 打开新的 CMD 窗口：执行以下命令，查看环境变量是否生效：
    2. 





echo %OLLAMA_MODELS%


若输出D:\Ollama\Models，说明环境变量配置成功；


    
 
  1. 测试模型路径写入：后续拉取模型时，Ollama 会自动在D:\Ollama\Models下创建blobs（模型分片）、manifests（模型元数据）等目录，存储模型文件。
    2. 



四、实战步骤 3：部署 DeepSeek 模型


1. DeepSeek 模型选型


DeepSeek 系列模型适合代码生成、对话交互等场景，推荐选择以下两个常用模型：


    
 
  • deepseek-coder-v2：代码专用模型，支持 Python、Java等多种语言，适合开发辅助，约 7GB；
    • 



    
 
  • deepseek-7b-chat：通用对话模型，适合日常问答、内容创作，约 7GB；
    • 



    
 
  • deepseek-16b-chat：大参数对话模型，精度更高但需更多资源（约 16GB，需 32GB 内存）。
    • 



2. 拉取 DeepSeek 模型


    
 
  1. 打开 CMD 窗口：无需进入特定目录，直接执行拉取命令（Ollama 会自动从官方仓库下载模型）；
    2. 



    
 
  1. 拉取模型（以 deepseek-7b-chat 为例）：
    2. 





ollama pull deepseek-7b-chat


    
 
  • 
  
      
   
    • 拉取过程中，CMD 窗口会显示下载进度（如downloading manifest 100%、downloading blob 50%）；
      • 
  
    • 



    
 
  • 
  
      
   
    • 下载速度取决于网络环境，7GB 模型通常需 10-30 分钟（建议使用稳定的宽带网络）。
      • 
  
    • 



    
 
  1. 验证模型拉取：拉取完成后，执行以下命令查看已安装的模型：
    2. 





ollama list


若输出类似以下内容，说明模型拉取成功：




NAME ID SIZE MODIFIED


deepseek-7b-chat latest 6.8 GB 2 minutes ago


3. 启动 DeepSeek 模型并交互


（1）方式 1：CMD 窗口直接交互（快速测试）


    
 
  1. 启动模型对话：执行以下命令，进入 DeepSeek-7b-chat 的交互模式：
    2. 





ollama run deepseek-7b-chat


    
 
  1. 开始交互：模型启动后，输入问题即可获得回复，示例：
    2. 





>>> 请用Python写一个快速排序算法


以下是Python实现的快速排序算法，包含详细注释：


def quick_sort(arr):


# 基线条件：数组长度小于等于1时直接返回


if len(arr) <= 1:


return arr


# 选择基准值（此处选择数组中间元素，避免极端情况）


pivot = arr[len(arr) // 2]


# 分治法：将数组分为小于、等于、大于基准值的三部分


left = [x for x in arr if x < pivot]


middle = [x for x in arr if x == pivot]


right = [x for x in arr if x > pivot]


# 递归排序左右两部分，并与中间部分合并返回


return quick_sort(left) + middle + quick_sort(right)


# 测试代码


if __name__ == "__main__":


test_arr = [3, 6, 8, 10, 1, 2, 1]


sorted_arr = quick_sort(test_arr)


print("排序前：", test_arr)


print("排序后：", sorted_arr)


    
 
  1. 退出交互：输入/exit或按下Ctrl+C两次，即可退出模型交互模式。
    2. 



（2）方式 2：启动 API 服务（支持外部程序调用）


若需通过 Python、Java 等程序调用 DeepSeek 模型，可启动 Ollama 的 API 服务，步骤如下：


    
 
  1. 启动 API 服务：执行以下命令，启动 Ollama API 服务（默认端口 11434）：
    2. 





ollama serve


启动成功后，CMD 窗口会显示Listening on 127.0.0.1:11434；




    
 
  1. 测试 API 调用（Python 示例）：
    2. 



安装requests库（若未安装）：




pip install requests


编写 Python 代码调用 DeepSeek 模型：




import requests


import json


# API请求参数


url = "http://localhost:11434/api/generate"


data = {


"model": "deepseek-7b-chat",


"prompt": "请解释什么是大语言模型",


"stream": False # 关闭流式输出，一次性获取完整回复


}


# 发送请求并获取回复


response = requests.post(url, json=data)


if response.status_code == 200:


result = json.loads(response.text)


print("DeepSeek回复：", result["response"])


else:


print("API调用失败，状态码：", response.status_code)


    
 
  1. 运行代码：执行 Python 脚本，即可获得 DeepSeek 模型的 API 回复，实现程序与模型的联动。
    2. 



五、实战步骤 4：模型管理与优化


1. 模型查看与删除


    
 
  • 查看已安装模型：执行ollama list，列出所有已拉取的模型；
    • 



    
 
  • 删除不需要的模型：执行以下命令删除模型（如删除 deepseek-7b-chat），释放磁盘空间：
    • 





ollama rm deepseek-7b-chat


2. 模型启动参数优化（提升性能）


运行大模型时，可通过参数调整内存占用与运行速度，常用参数如下：


    
 
  • 指定内存占用：通过OLLAMA_MEMORY环境变量限制模型使用的内存（如限制为 10GB）：
    • 





set OLLAMA_MEMORY=10GB


ollama run deepseek-7b-chat


    
 
  • 启用 GPU 加速：若电脑有 NVIDIA 显卡（支持 CUDA），Ollama 会自动启用 GPU 加速；若需强制使用 CPU，执行：
    • 





set OLLAMA_CPU_ONLY=1


ollama run deepseek-7b-chat


3. 开机自启动 Ollama 服务（可选）


若需每次开机自动启动 Ollama API 服务，可通过 “任务计划程序” 设置：


    
 
  1. 打开任务计划程序：按下Win+R，输入taskschd.msc，按回车；
    2. 



    
 
  1. 创建基本任务：
    2. 



    
 
  • 
  
      
   
    • 名称：Ollama API Service，描述：自动启动Ollama API服务；
      • 
  
    • 



    
 
  • 
  
      
   
    • 触发器：选择 “登录时”；
      • 
  
    • 



    
 
  • 
  
      
   
    • 操作：选择 “启动程序”，程序或脚本选择D:\Programs\Ollama\ollama.exe，添加参数serve；
      • 
  
    • 



    
 
  • 
  
      
   
    • 完成后，勾选 “打开此任务属性的对话框”，在 “常规” 选项卡中勾选 “使用最高权限运行”，避免权限问题。
      • 
  
    • 



六、常见问题与解决方案


1. 安装时提示 “权限不足”


    
 
  • 问题：执行ollama-setup.exe /install "D:\Programs\Ollama"时，提示 “无法创建目录，权限不足”；
    • 



    
 
  • 解决：
    • 



    
 
  1. 
  
      
   
    1. 右键点击目标安装目录（如D:\Programs），选择 “属性”→“安全”→“编辑”；
      2. 
  
    2. 



    
 
  1. 
  
      
   
    1. 选择当前用户（如Administrator），勾选 “完全控制” 权限，点击 “确定”；
      2. 
  
    2. 



    
 
  1. 
  
      
   
    1. 重新执行安装命令。
      2. 
  
    2. 



2. 拉取模型时速度极慢或中断


    
 
  • 问题：拉取 DeepSeek 模型时，进度停滞在0%或频繁中断；
    • 



    
 
  • 解决：
    • 



    
 
  1. 
  
      
   
    1. 检查网络：确保网络稳定，可尝试切换手机热点或重启路由器；
      2. 
  
    2. 



    
 
  1. 
  
      
   
    1. 使用代理（可选）：若网络存在访问限制，设置系统代理后重新拉取（Ollama 会自动使用系统代理）；
      2. 
  
    2. 



    
 
  1. 
  
      
   
    1. 手动下载模型（进阶）：从 DeepSeek 官网（https://www.deepseek.com/models）下载模型文件，手动复制到D:\Ollama\Models\blobs目录，Ollama 会自动识别。
      2. 
  
    2. 



3. 启动模型时提示 “内存不足”


    
 
  • 问题：执行ollama run deepseek-7b-chat时，提示 “insufficient memory to load model”；
    • 



    
 
  • 解决：
    • 



    
 
  1. 
  
      
   
    1. 关闭其他程序：关闭浏览器、视频软件等占用内存的程序，释放内存；
      2. 
  
    2. 



    
 
  1. 
  
      
   
    1. 选择小参数模型：若内存不足 16GB，建议使用deepseek-coder-v2（约 7GB）或deepseek-1b-chat（约 1GB）；
      2. 
  
    2. 



    
 
  1. 
  
      
   
    1. 启用内存交换：在 Windows “系统属性”→“高级”→“性能设置”→“高级”→“虚拟内存” 中，增大虚拟内存（建议设置为物理内存的 1.5 倍）。
      2. 
  
    2. 



总结


Windows 环境下自定义 Ollama 安装路径与部署 DeepSeek 模型，核心是通过 “命令行指定安装路径” 与 “设置OLLAMA_MODELS环境变量” 解决 C 盘空间不足问题，再通过简单的命令实现模型拉取与启动。整个流程无需复杂配置，零基础用户也能在 30 分钟内完成部署。


通过本文的方法，用户可将 Ollama 与模型文件存储到非系统盘，避免 C 盘空间不足；同时，启动 API 服务后，可实现 Python 等程序与 DeepSeek 模型的联动，满足代码生成、对话交互等多样化需求。后续可进一步探索模型微调、多模型管理等进阶功能，充分发挥本地大模型的价值。
 
  

        # windows
      
  
 
 Logo 
加入AMD AI开发者计划！
 
免费领 150 小时云算力，进群参与显卡、AI PC 幸运抽奖
 
 
  
更多推荐
  
 
模型量化精度异常时的检查与止损
 
为了将 70B 大语言模型的部署成本打下来，我们将线上 vLLM 推理集群的模型权重与激活值从 FP16 全量量化到了 INT8（采用 W8A8 方案）。量化效果立竿见影：单卡 A100-80G 的显存占用直接从 140GB（需 2 卡并行）缩减到了 70GB，单卡即可拉起，推理吞吐量（Tokens/s）提升了将近一倍。然而上线不到两天，客服渠道就接到了多起投诉。在处理复杂代码推导和长文本逻辑分析
 
avatar AMD开发者中国社区
 
cover
 
大模型实战指南（11）——推理框架选型实战：vLLM × SGLang × TensorRT-LLM 深度对比与部署指南
 
 
avatar AMD开发者中国社区
 
cover
 
Linux 到底能不能做实时？TSC 抖动测试10纳秒！
 
 
avatar AMD开发者中国社区