简介面向追求高效率编码的Python开发者和AI应用入门者这份PDF教程聚焦Pycharm接入本地部署的DeepSeek帮助读者在熟悉IDE中直接获得代码生成与问答辅助兼顾数据安全与响应速度。资源仅含1个PDF文件压缩包约1.44MB轻量便携适合随时查阅。教程以三步接入为主线完整演示CodeGPT插件安装、Ollama配置、以及通过对话生成代码并添加或复制到项目中的方法并配有界面示意。内容同时说明了本地化部署在隐私保护、秒级响应以及Token统计不收费等方面的优势让开发者放心使用。目前已有1365人学习使用是一份快速上手本地大模型编程助手的实用参考资料。1. 本地DeepSeek接入Pycharm把AI补全从浏览器拉回IDE写代码最磨人的不是不会写而是思路在IDE和浏览器之间来回切换。遇到不熟悉的库打开网页版对话窗口粘贴报错等响应再复制回编辑器——这整个过程把编程状态切碎了。更不用说部分项目代码不允许上传到云端线上API再方便也只能看着。这时候“本地部署大语言模型”就成了一种现实选择在本地用Ollama跑一个DeepSeek模型再通过Pycharm的CodeGPT插件把它接到编辑器侧边栏。整个链路只用三步装插件、配置Ollama Provider、右侧提问。方法本身适合日常写Python、有独立GPU或32G内存、关注数据安全的开发者如果你只有8G内存且偏好“边打字边补全”的交互建议先看本文第5章把参数规模和预期调准再动手。2. CodeGPT与Ollama的链路架构为什么这个组合能跑通2.1 三个组件各司其职Pycharm负责工程文件和编辑体验CodeGPT是插件层负责把用户问题组织成对话并发给模型服务Ollama是模型运行层负责加载DeepSeek权重、做量化推理和KV Cache管理。三者之间走标准HTTP链路没有私有协议排错时每一跳都可以单独验证。CodeGPT本身不携带推理能力。它对外声明的Provider里有OpenAI、Claude、Ollama等选中Ollama之后它的行为就是把聊天消息POST到localhost的一个端口。Ollama拿到消息后按对话模板拼装提示词交给DeepSeek模型生成文本再流式返回给插件。正因为模型全部在本地网络往返缩短为本地回环回复延迟主要取决于显卡推理速度而不是“上传到哪个机房再下载回来”。Ollama在模型加载上是常驻的。模型权重一次性载入显存或内存后续对话只增量更新KV Cache这比每问一次就重新加载一次权重的裸transformers调用高效得多。DeepSeek模型在Ollama生态里属于开箱即用的系列对话模板和量化格式在Ollama仓库中已经内置不需要自己手工定义Prompt Template。这也是为什么接入层可以做得这么薄Pycharm不必知道模型怎么跑它只需要一个标准化的API。2.2 模型参数量与硬件怎么匹配本地部署DeepSeek第一步不是配CodeGPT而是想清楚跑哪个规格。Ollama标签下的deepseek-r1系列从1.5B到70B都有量化后对硬件的要求差距很大。模型标签参数量量化后占用适用场景deepseek-r1:1.5b1.5B约1.2GB低配机器、补全简单函数deepseek-r1:7b7B约5GB主流选择、能处理较复杂需求deepseek-r1:14b14B约9GB长上下文、复杂重构建议7B是大多数人的甜点档。它在消费级显卡上能跑得动生成质量比1.5B有明显提升也不会像70B那样显存直接爆掉。如果你完全没有NVIDIA显卡7B用纯CPU推理也能回答问题只是速度会慢到接近“思考型助手”而不是“实时补全”。这时候我会先把1.5B跑通链路再决定是否升级硬件。占用数值会随Ollama版本和量化格式浮动上表按q4量化估算只用于选型参考。2.3 “为什么不直接在Pycharm里跑模型”的误区不少人以为既然模型是本地部署Pycharm应该原生支持装上CodeGPT插件还要再装Ollama显得绕。但CodeGPT是一个对话客户端不是推理引擎它需要有一个协议稳定的服务端来接收请求。Ollama对外提供API负责把模型跑起来并暴露端口是当前Pycharm本地化最顺的组合。换个角度理解CodeGPT管“对话界面和人机交互”Ollama管“模型加载与结果生成”DeepSeek权重决定回答质量。三者合起来就是一条完整的本地AI链路。Ollama虽然经常被描述成DeepSeek的前端展示但它在技术层面比前端更底层因为它同时承担了模型调度、量化加载和并发请求处理。搞清楚这个边界后面配置出错时才知道去哪一层找原因。3. Pycharm插件安装与Ollama模型准备把可验证的本地推理环境搭起来3.1 装CodeGPT插件在线搜索与离线包两条路先在Pycharm的SettingsmacOS上叫Preferences里进入PluginsMarketplace页签搜索codegpt。搜索出来后点击Install即可。插件体积不小网络不通畅时进度条长时间不动很常见。注意不要看到慢就反复取消重试那样经常会让插件处于“已下载但未安装”的状态。如果等了十分钟依然卡住改用离线安装在JetBrains插件市场网站上找到CodeGPT的下载页按你的Pycharm版本选择对应zip或jar包。下载完成后在Plugins页面右上角齿轮图标里选择“Install Plugin from Disk”选中刚才的包等待重启。安装完成后Pycharm会提示重启IDE这一步必须执行因为插件类加载器需要在新会话里挂载。提示插件市场页面上的版本号要和IDE build号匹配。Pycharm 2024和2025系列对插件的打包要求不相同版本不匹配时插件列表会显示incompatible去插件官网下载对应版本比在IDE里硬装更有效。3.2 安装Ollama并拉取DeepSeek模型CodeGPT只负责发请求真正跑模型的是Ollama。Ollama在官网下载安装包Windows直接安装macOS有pkg包Linux常见采用安装脚本。安装完成后不需要额外配置环境变量默认服务会在后台监听11434端口。此时打开终端验证版本ollama --version确认装好后拉取模型。常见做法是直接拉7B规格ollama pull deepseek-r1:7b ollama list参数说明pull后面的模型名由“模型族:标签”组成这里标签7b代表7B参数规模的量化版本Ollama会按默认量化拉取。ollama list列出本地已有模型正常情况会显示deepseek-r1:7b及其体积。如果磁盘空间不够可以改用deepseek-r1:1.5b这个版本的系统盘占用不到2GB。拉取结束后先不要急着打开Pycharm。直接对Ollama发起一次聊天请求来确认模型本身是健康的这样后面配置CodeGPT时如果出问题可以确定问题出在插件侧还是模型侧。3.3 用一行curl验证推理服务curl http://localhost:11434/api/tags正常响应是一个JSON数组里面包含本地模型名。继续验证真正的对话接口curl http://localhost:11434/api/chat -d { model: deepseek-r1:7b, messages: [{role: user, content: 用Python写一个加法函数}], stream: false }参数说明model必须与列表里的名字一字不差messages是对话数组role分为system/user/assistantstream: false表示等完整答案生成后一次性返回方便在终端直接观察。CodeGPT实际请求时通常开流式返回表现为打字机效果这由插件侧控制不影响链路。看到响应里有代码内容说明模型服务端没问题可以放心进入配置环节。4. 在Pycharm里配置Ollama Provider跑通第一次代码生成4.1 配置入口与关键字段打开Settings找到Tools分类左侧会有CodeGPT子项。进入后切到Providers选择Ollama。它和OpenAI、Gemini等Provider平级只是API地址指向本机。界面常见字段如下配置字段推荐值说明Base URLhttp://localhost:11434Ollama服务地址端口错了连不上Modeldeepseek-r1:7b必须与ollama list输出完全一致API Key留空本地服务不校验个别版本强制填可以随便填占位符如果Pycharm跑在WSL里而Ollama装在Windows宿主机localhost指向的就不是Ollama所在机器。此时Base URL要填宿主机的局域网IP且Ollama启动时需要设置OLLAMA_HOST0.0.0.0:11434环境变量。普通Windows原生环境不用关心这一点。配置完成后右侧面板会出现CodeGPT的聊天窗口。先不发正经问题发一个ping确认链路。正常情况它会快速回一个简短回答。这个探测动作非常关键它会把Ollama连接、模型加载、插件配置三层一起验证掉。4.2 右侧提问生成加法函数先在Pycharm里新建Python文件再打开右侧边栏的CodeGPT面板输入需求用Python实现两个数相加的函数包含参数类型注解、docstring、日志输出并给出单测用例。生成结果类似这样import logging from typing import Union logger logging.getLogger(__name__) def add(a: Union[int, float], b: Union[int, float]) - Union[int, float]: Return the sum of two numbers. result a b logger.info(adding %s and %s - %s, a, b, result) return result if __name__ __main__: assert add(2, 3) 5 print(add(2, 3))代码下方的两个按钮左边是“添加到文件”右边是“复制”。左边按钮会把代码按Markdown代码块内容插入Pycharm当前打开文件的光标位置右边则是复制内容到剪贴板。实际使用中我的习惯是如果需要整段插入先把光标停在目标文件的目标行再点左键如果只要片段就复制到编辑器里手工裁剪。注意添加是“插入”而非“智能合并”。光标放在类中间时AI生成的代码会插进去不会自动帮你整理格式。点添加前先确认光标位置避免生成内容堆到文件末尾。4.3 会话里的token统计与性能预期CodeGPT面板底部有时会有token统计。这里统计的是本地模型推理过程中的token消耗只是计数器不会产生费用。请求没有离开localhost所以也不存在云端按量计费的问题。这一点和调用DeepSeek官方API有本质区别API按token收费本地部署只消耗电费和硬件寿命。回复速度取决于显卡。以7B量化模型为例普通消费级GPU上生成几十行代码大概就是几秒到十几秒的量级CPU推理会更慢但可用。区分“秒级响应”和“打字机式输出”很重要本地链路的网络延迟可以忽略但模型生成是逐token的长代码仍然需要一个等待过程。生成代码并添加后运行一下文件看输出看到日志正常打出链路就已经是生产可用状态。5. 把CodeGPTOllama用顺手上下文管理、System Prompt与排查三板斧5.1 三个最常见的故障及定位装好之后最容易出问题的是Ollama没有启动。CodeGPT里提问会提示连接失败或超时这时先回到终端执行ollama serve看服务是否正常再用curl http://localhost:11434/api/tags验证。第二个常见坑是Model名称写错。配置界面里多打一个空格或少写:7bOllama会返回model not found此时检查ollama list的输出直接复制粘贴模型名。第三个坑是端口被占用Ollama默认监听11434如果本机有其他程序占了端口启动时会报监听失败换端口需要同时改Ollama环境变量和CodeGPT里的Base URL两处必须一致。5.2 用System Prompt把生成风格固定下来CodeGPT的配置里一般有Prompt字段作用相当于System Prompt它会作为第一条消息发给模型。把团队编码规范写进去生成结果会比默认风格稳定很多你是一名Python后端工程师。请遵守以下约定 - 所有函数必须带类型注解和docstring - 优先使用标准库避免不必要的第三方依赖 - 回答先给代码再用一行说明边界条件和时间复杂度配置后提问时不需要重复这些要求模型每次都会看到。如果你希望DeepSeek在回答中附带实现思路也在System Prompt里写明“给出简短思路说明”这个约束会持续生效。5.3 验证请求真的留在本机本地部署的核心收益是数据不出内网验证它比想象中简单保持ollama serve在前台运行去Pycharm里随便提问一句回到终端会看到类似POST /api/chat 200的日志行。这说明请求确实打到了本地Ollama而不是任何远端API。另外不要把Ollama服务直接暴露到公网。默认它只绑定localhost一旦设置OLLAMA_HOST0.0.0.0:11434局域网内所有机器都能请求这个模型服务办公网络里等于把内部代码生成能力对外开放需要防火墙策略兜底。5.4 deepseek-r1的思考过程与等待体验deepseek-r1系列是推理模型收到任务后会先生成一段内部思考过程再输出最终答案。CodeGPT的不同版本对思考过程的展示处理并不一致有的版本把思考过程渲染在面板里显得回答很长有的版本只显示最终结果这不是故障。实际使用中如果目标只是补一个函数实现把提问写成“直接给出完整代码”比“分析一下这个问题”能明显减少生成时间和上下文消耗。模型回答质量取决于上下文的清晰程度问得越具体本地部署的DeepSeek越能在Pycharm里把代码补全这件事变得顺手。本文还有配套的精品资源点击获取