当前位置：首页 > news >正文

云原生环境下部署大语言模型服务：以 DeepSeek 为例的实战教程

news 2025/7/3 8:02:20

📝个人主页🌹：一ge科研小菜鸡-CSDN博客
🌹🌹期待您的关注 🌹🌹

一、引言

随着 DeepSeek、Qwen、ChatGLM 等大语言模型（LLM）的开放与普及，企业将其私有化部署并服务化的需求愈发迫切。然而，从 HuggingFace 下载模型，到提供一个结构化、稳定、可调用的 API，并不是一个简单过程。它涉及：

模型推理框架（如 vLLM）的集成；
Web API 封装（FastAPI等）；
容器化部署与资源调度；
可扩展性设计与接口规范化。

本文将以 DeepSeek 7B 模型为例，详尽演示从“模型下载”到“API上线”的完整工程实践流程，并在每一段代码中增加详细注释和文字说明，力求让每一个环节都透明清晰、便于复现。

二、技术选型与架构概览

我们将采用如下技术栈构建大语言模型服务系统：

模块	技术栈	说明
模型本体	DeepSeek-LLM-7B	HuggingFace 提供，开源大模型
推理引擎	vLLM	高性能大模型推理框架
API服务封装	FastAPI + Uvicorn	高性能、异步API网关
部署方式	Docker 容器封装	云原生友好，可扩展至K8s

架构图示意

┌──────────────┐
│   用户浏览器   │
└──────┬───────┘│ HTTP POST
┌──────▼───────┐
│   FastAPI 服务 │
└──────┬───────┘│ 请求转发（OpenAI风格）
┌──────▼───────┐
│    vLLM 引擎  │
└──────┬───────┘│ 加载本地模型权重
┌──────▼───────┐
│ DeepSeek-7B 模型 │
└──────────────┘

三、准备阶段：获取 DeepSeek 模型

我们使用 HuggingFace 提供的官方模型。推荐使用 git-lfs 工具拉取（用于下载大文件权重）。

安装并下载模型

# 安装 Git LFS（仅需执行一次）
sudo apt update && sudo apt install git-lfs -y# 启用 Git LFS
git lfs install# 克隆 DeepSeek 模型（7B base版）
git clone https://huggingface.co/deepseek-ai/deepseek-llm-7b-base

完成后，目录中应包含如下文件：

deepseek-llm-7b-base/
├── config.json
├── tokenizer.json
├── pytorch_model-00001-of-00008.bin
├── generation_config.json
└── ...

四、启动推理引擎：使用 vLLM 提供 OpenAI 接口

vLLM 是目前最主流的开源大模型推理引擎之一，支持并发高、吞吐大、响应快，且原生兼容 OpenAI 风格接口（如 /v1/completions）。

安装 vLLM（建议用虚拟环境）

pip install vllm

启动推理服务（本地测试）

python -m vllm.entrypoints.openai.api_server \--model ./deepseek-llm-7b-base \--port 8000 \--dtype float16 \--gpu-memory-utilization 0.9

参数解释

参数	说明
`--model`	指定模型路径，本地模型或 HuggingFace 名称
`--port`	设置服务监听端口
`--dtype float16`	减少显存占用（float32会爆显存）
`--gpu-memory-utilization`	控制使用多少显存，避免抢占GPU资源

成功后，可访问：

http://localhost:8000/v1/completions

五、封装API：使用 FastAPI 构建对外服务网关

FastAPI 是 Python 中一个流行、简洁的 Web 框架，天然支持异步调用，非常适合用来封装大模型推理 API。

安装依赖

pip install fastapi uvicorn httpx

示例代码（api_gateway.py）

from fastapi import FastAPI
from pydantic import BaseModel
import httpx# 创建 FastAPI 实例
app = FastAPI()# 定义请求格式（继承 Pydantic 模型）
class CompletionRequest(BaseModel):prompt: strmax_tokens: int = 128temperature: float = 0.7top_p: float = 0.9# 定义目标推理服务地址
VLLM_ENDPOINT = "http://localhost:8000/v1/completions"# POST 接口：处理模型推理请求
@app.post("/chat")
async def chat(request: CompletionRequest):# 构造向 vLLM 的 JSON 请求体payload = {"model": "deepseek-llm-7b-base","prompt": request.prompt,"max_tokens": request.max_tokens,"temperature": request.temperature,"top_p": request.top_p,}# 使用异步 HTTP 客户端发起请求async with httpx.AsyncClient() as client:response = await client.post(VLLM_ENDPOINT, json=payload)result = response.json()# 提取模型生成的回答return {"response": result["choices"][0]["text"]}

启动服务

uvicorn api_gateway:app --host 0.0.0.0 --port 8080

测试接口

curl -X POST http://localhost:8080/chat \-H "Content-Type: application/json" \-d '{"prompt": "介绍一下牛顿第一定律"}'

结果返回一个 JSON：

{"response": "牛顿第一定律..."
}

六、Docker 化部署：构建完整服务容器

为了支持跨平台、环境隔离与后续部署至 Kubernetes，我们将整个服务封装为 Docker 镜像。

Dockerfile（详解注释版）

# 使用 NVIDIA 官方 CUDA 基础镜像
FROM nvidia/cuda:11.8.0-cudnn8-runtime-ubuntu22.04# 安装依赖环境
RUN apt update && apt install -y git-lfs python3-pip
RUN pip install --upgrade pip# 安装 PyTorch + vLLM + Web框架
RUN pip install torch --index-url https://download.pytorch.org/whl/cu118
RUN pip install vllm fastapi uvicorn httpx# 拷贝模型和代码
COPY deepseek-llm-7b-base /model
COPY api_gateway.py /app/api_gateway.py# 设置默认工作目录
WORKDIR /app# 同时启动 vLLM 与 FastAPI 服务
CMD bash -c "python3 -m vllm.entrypoints.openai.api_server --model /model --port 8000 & uvicorn api_gateway:app --host 0.0.0.0 --port 8080"

构建镜像

docker build -t deepseek-service .

启动容器

docker run --gpus all -p 8000:8000 -p 8080:8080 deepseek-service

七、常见问题排查

问题	可能原因	解决建议
启动报错“CUDA not available”	宿主机未安装 NVIDIA 驱动或未使用`--gpus`	确保使用 `--gpus all` 运行
模型加载缓慢	权重文件较大（>20GB）	使用 SSD 加速；预加载镜像
响应很慢或OOM	GPU 显存不足	降低 `max_tokens`，使用 float16
无法访问 API 接口	端口未映射或防火墙拦截	检查 Docker 端口映射设置