如何在 DigitalOcean 上部署 DeepSeek R1：三種方法、三種情境

本文比較在 DigitalOcean 上部署 DeepSeek R1（一個高性價比的大型語言模型，LLM）的三種方式。每種方法在設定複雜度、安全性、微調（fine-tuning）與系統層級客製化上都有不同的取捨。看完這篇，你就會知道哪種方式最符合你的技術經驗與專案需求。

概觀

DeepSeek R1 是一個泛用型 LLM，適合文字生成、問答與聊天機器人開發。在 DigitalOcean 上，你可以用以下三種方式之一來部署 DeepSeek R1：

1. 方法 A：GenAI Platform（Serverless）
   一個以平台為基礎的方案，把 DevOps 負擔降到最低、也能快速看到成果，但不支援原生微調。

2. 方法 B：DigitalOcean + Hugging Face Generative Service（IaaS）
   提供預建好的 Docker 環境與 API token，支援在一台 GPU droplet 上跑多個容器，並允許訓練或微調。

3. 方法 C：GPU + Ollama（IaaS）
   對作業系統、安全設定與模型微調有完整掌控，但複雜度也較高。

成本考量

方法 A：GenAI Platform（Serverless）

DigitalOcean GenAI Platform 採用用量計費的定價模式：

• 依 token 計費：輸入與輸出 token 都要付費（以每千 token 追蹤，以每百萬 token 顯示）。
• 開源模型：例如 DeepSeek-R1-distill-llama-70B 為每百萬 token $0.99。更低價的模型從每百萬 token $0.198 起。
• 商用模型：如果你自帶 API token（例如 Anthropic），就依該供應商的費率計費。
• 知識庫（Knowledge Bases）：索引 token 與向量儲存會另外收費。
• Guardrails：若啟用 jailbreak 或內容審核，每百萬 token $3.00。
• Functions：依 DigitalOcean Functions 定價計費。

Playground 限制：GenAI playground 免費，但每個團隊每天限用 10,000 個 token（輸入與輸出合計）。

方法 B 與 C：GPU Droplets

方法 B（IaaS 上的 HUGS）與方法 C（IaaS 上的 Ollama）都需要你開通一台 GPU droplet。目前的定價請參考 Announcing GPU Droplets。發文當下：

• 隨需價格從每 GPU 每小時 $2.99 起（可能變動）。
• 可能有額外費用（例如資料 egress 或儲存）。
• 你要自行負責 OS 層級的安全、擴展與修補。

安全性與維護

• 方法 A（GenAI Serverless）

  • 安全修補與維護會自動處理。
  • 選用的 guardrails 或 KB 會依 token 計費。

• 方法 B（GPU Droplet 上的 HUGS）

  • 你要管理 OS 安全、Docker 環境與防火牆規則。
  • LLM 端點預設提供以 token 為基礎的驗證。

• 方法 C（GPU Droplet 上的 Ollama）

  • 你承擔最高程度的掌控與責任：OS 安全、防火牆、使用監控。
  • 適合合規或自訂設定的需求，但需要更多 DevOps 工作。

效能基準測試？
目前沒有公布官方的速度指標或 SLA。效能取決於 GPU 大小、資料量與具體工作流程。若你需要協助優化效能，歡迎聯絡我們的 solution architects。未來我們可能會分享基準測試技巧的文章。

方法 A：GenAI Platform（Serverless）

當你想要一個完全託管的 DeepSeek R1 部署、又不想開通 GPU droplet 或處理 OS 事務時，就用方法 A。你可以透過好上手的 UI 快速建立聊天機器人、問答流程或基本的 RAG 設定。

何時選擇方法 A

• 你的 DevOps 經驗有限，或不想管理伺服器。
• 你需要一個快速的 AI 助理（例如 WordPress 外掛或 FAQ bot）。
• 你不打算用私有資料訓練或微調模型。

範例情境：Chelsea 的在地咖啡館部落格

Chelsea 為她的咖啡館經營一個 WordPress 部落格，發布菜單更新與社區活動。她熟悉網站代管，但不熟 OS 管理：

• 她想要一個聊天機器人，回答營業時間、菜單特餐或在地活動的問題。
• 之後若遇到有問題的內容，可以再加上 guardrails。
• GenAI Platform 幾乎不需要伺服器管理，是個輕鬆的選擇。

不適合的情況…

• 你需要微調或特定領域的訓練。
• 你必須滿足嚴格的安全需求（私有網路、進階 OS 規則）。
• 你打算在單一伺服器上跑多個微服務或高負載任務。

方法 B：DigitalOcean + Hugging Face Generative Service（HUGS）

方法 B 適合想要以 HUGS 為基礎、跑在 GPU droplet 上的開發者，它提供部分的系統管理自由度（多容器）與直接可用的 API token，並支援在本機訓練或微調。

何時選擇方法 B

• 你想要比完全手動更快抵達 AI 端點的路徑。
• 你打算在同一台 GPU droplet 上做一些訓練或微調。
• 你懂基本的 Docker，也不介意部分的伺服器管理。

範例情境：CHFB Labs

CHFB Labs 為客戶快速打造概念驗證（PoC）：

• 有些客戶需要特定領域訓練或部分微調。
• 額外的 Docker 容器（例如 staging 或 logging）可以跑在同一台 droplet 上。
• 內建預設的 access token，省去自寫驗證程式碼。

不適合的情況…

• 你想要 serverless 的方式（方法 A 更簡單）。
• 你需要進階的 OS 層級調整（例如 kernel modules）。
• 你偏好完全手動、零預先設定的流程。

方法 C：GPU + Ollama

當你需要對 GPU droplet 有完整掌控時，就用方法 C。你可以設定 OS 安全、實作自訂的領域訓練、建立自己的端點，代價是更高的 DevOps 需求。

何時選擇方法 C

• 你想手動管理 OS、Docker 或編排器（orchestrators）。
• 你需要嚴格合規或進階自訂規則（防火牆、特殊網路）。
• 你打算微調 DeepSeek R1 或執行大規模任務。

範例情境：Mosaic Solutions

Mosaic Solutions 提供企業級分析服務：

• 他們儲存敏感資料，需要加密或特殊工具。
• 他們直接安裝 Ollama 來管理 DeepSeek R1 的對外暴露。
• 他們自行處理 OS 監控、使用日誌與自訂效能調校。

不適合的情況…

• 你不喜歡 DevOps 工作，或無法管理 OS 層級的安全。
• 你想要一鍵或最省事的部署。
• 你只需要一個用量不大的小型聊天機器人。

比較

用下表比較這三種方法：

結論

你選哪種部署方式，取決於你需要多少掌控權、是否想要微調，以及你對 GPU 資源管理有多自在：

• 方法 A（GenAI Serverless）

  • 最容易上手，不需 GPU droplet。
  • 客製化有限，不能微調。
  • 適合基本的聊天機器人或問答（像 WordPress 外掛）。

• 方法 B（DigitalOcean + HUGS，IaaS）

  • 複雜度中等，在 GPU droplet 上有預建的 Docker 環境。
  • 可做多服務的部分系統管理，支援本機微調。
  • 在便利與彈性之間取得平衡的選項。

• 方法 C（GPU + Ollama，IaaS）

  • 掌控最高：OS 層級安全、大規模任務、進階訓練。
  • 適合合規或特殊流程。
  • 需要相當程度的 DevOps 專業。

後續步驟

• 方法 A 教學：學會如何在幾分鐘內用 GenAI Platform 建立聊天機器人。
• 方法 B 指南：開一台含 HUGS 的 GPU droplet、用 token 保護它，並整合訓練或微調。
• 方法 C 文章：探索如何透過 Ollama 完整掌控 GPU droplet、建立自訂推論端點、處理特定領域訓練。

接下來可以看什麼

• 查看 GenAI Platform Pricing 了解方法 A 的 token 計費。
• 參考 Announcing GPU Droplets 了解 GPU droplet 成本（方法 B 與 C）。
• 我們目前不公布官方效能基準。若需要優化協助，請聯絡我們的 solution architects，或留意未來關於效能測試的文章。
• 到 DigitalOcean Community 探索關於 droplet 管理、Docker 使用或其他進階流程的教學。

祝你部署與微調順利！