10分钟打造属于你的AI侦查工具——深度探索DeepSeek-R1与Ollama完美结合！

大家好！在这篇博客中，我将帮助您利用DeepSeek-R1模型提升生产力，并指导您在系统上进行设置。对于不同的操作系统，有多种安装方法，您可以在博客中进行探索。然而，我不会将其与ChatGPT或OpenAI进行比较，因为这是一个有争议的话题，并超出了本文的范围。

什么是 DeepSeek？

DeepSeek 人工智能有限公司是一家专注于推进 AGI（人工通用智能） 的中国人工智能公司。他们开发了像 DeepSeek-R1（机器人技术）和 DeepSeek-V2（一种成本效益高的 LLM）这样的模型。

DeepSeek-R1 Github 仓库：

主要特点包括：

自动化：脚本化重复任务。
数据洞察：使用 AI 驱动的工具分析数据集。
自定义工作流程：为您的需求构建量身定制的解决方案。
协作：与团队共享洞察和工作流程。

在您的系统上安装 DeepSeek

前提条件

操作系统：兼容 Windows、macOS 和 Linux。
Python：确保安装 Python 3.7+（CLI/Python 集成所需）。
硬件：8GB+ RAM 和 20GB+ 存储以获得最佳性能。 (我们不安装更高版本的模型，如果您想要更高版本的模型，则需要 400GB 磁盘空间和大量 CPU)

Deepseek R1模型的安装步骤：

方法 1 安装 Ollama：

前往 https://ollama.com/

2. 安装下载的 Ollama 最新版本

3. 通过打开命令提示符并输入以下内容来验证 Ollama 是否已安装在您的系统上：

Ollama

方法 2 安装模块

在 Ollama.com 的搜索框中搜索 deepseek-r1。

2. 点击 deepseek-r1 选项，您将被重定向到 Ollama deepseek-r1 模型页面。

3. 您可以从多个模型中进行选择，但在这篇博客中，我选择了 1.5B 参数和 1.1GB 大小 的 small 模型。

4. 从右侧复制 Ollama 命令。

5. 在执行命令之前，将 Run 修改为 Pull，因为我不想立即下载并运行它。

ollama pull deepseek-r1:1.5b

6. 使用以下命令检查您系统上安装的模型列表。

ollama list

7. 使用以下命令测试下载的模型。

ollama run deepseek-r1:1.5b

方法 3 为该模型设置 Python 搜索环境

1. 前往 C:\ 驱动器并通过在命令提示符中运行以下命令创建一个 DeepSeek-R1 文件夹：

cd\
mkdir DeepSeek-R1
cd DeepSeek-R1

注意：此文件夹将用于为 DeepSeek-R1 模型设置 Python 环境。

2. 使用以下命令验证您的系统上是否安装了 Python：

python -- version

或者

py --version

如果未安装 Python，请从官方 Python 网站或 Microsoft Store 下载并安装最新版本。

3. 创建一个 Python 虚拟环境运行以下命令以创建虚拟环境：

py -m venv env1

4. 激活虚拟环境使用以下命令激活虚拟环境：

env1\Scripts\activate.bat

5. 安装 Ollama 库在虚拟环境中使用以下命令安装 Ollama 库：

pip install ollama

6. 要打开 VS Code，请运行以下命令：

code .

7. 创建一个 Python 文件- 在 VS Code 中创建一个名为 test.py 的新文件- 将其保存在 DeepSeek-R1 文件夹中。

8. 编写 Python 代码- 打开 test.py 并编写您的 Python 脚本。以下是一个针对网络侦察的 Python 脚本，使用 Deepseek-R1 模型进行网络安全：

import ollama
import requests
import socket
from urllib.parse import urlparse
import concurrent.futures

TARGET_DOMAIN = "example.com"  # Replace with your target domain
COMMON_SUBDOMAINS = [
    'www', 'mail', 'admin', 'dev', 'test', 'staging', 'api',
    'secure', 'portal', 'webmail', 'blog', 'ftp', 'vpn', 'mx'
]

def save_report(content: str):
    """Save results to a timestamped file"""
    filename = f"{TARGET_DOMAIN.replace('.', '_')}-recon.txt"
    with open(filename, 'w') as f:
        f.write(f"Subdomain Recon Report for {TARGET_DOMAIN}\n")
        f.write(f"Generated at: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}\n")
        f.write("="*50 + "\n")
        f.write(content)
    return filename

def analyze_with_deepseek(report: str) -> str:
    """Analyze subdomain findings with Deepseek-R1"""
    prompt = f"""Act as a cybersecurity expert. Analyze these subdomain reconnaissance findings:
{report}

List potential security risks with:
- Vulnerability Type
- Severity (Critical/High/Medium/Low)
- Explanation
- Remediation Steps
Format as markdown table."""
    
    try:
        response = ollama.generate(
            model="deepseek-r1",
            prompt=prompt,
            options={'temperature': 0.2, 'num_ctx': 4096}
        )
        return response['response']
    except Exception as e:
        return f"Analysis failed: {str(e)}"

def check_subdomain(subdomain: str) -> dict:
    """Check subdomain existence and HTTP details"""
    full_domain = f"{subdomain}.{TARGET_DOMAIN}"
    result = {'subdomain': full_domain, 'exists': False}
    
    try:
        # DNS Resolution
        socket.gethostbyname(full_domain)
        result['exists'] = True
        
        # HTTP Check
        try:
            response = requests.get(
                f"http://{full_domain}", 
                timeout=5, 
                allow_redirects=False
            )
            result.update({
                'status': response.status_code,
                'headers': dict(response.headers),
                'server': response.headers.get('Server', 'Unknown')
            })
        except requests.exceptions.SSLError:
            # Try HTTPS
            response = requests.get(
                f"https://{full_domain}", 
                timeout=5, 
                verify=True
            )
            result.update({
                'status': response.status_code,
                'headers': dict(response.headers),
                'server': response.headers.get('Server', 'Unknown'),
                'https': True
            })
            
    except (socket.gaierror, requests.RequestException):
        pass
        
    return result

def main():
    print(f"[*] Starting subdomain scan for {TARGET_DOMAIN}")
    
    # Multithreaded subdomain checking
    with concurrent.futures.ThreadPoolExecutor(max_workers=20) as executor:
        futures = {executor.submit(check_subdomain, sub): sub for sub in COMMON_SUBDOMAINS}
        results = []
        
        for future in concurrent.futures.as_completed(futures):
            result = future.result()
            if result['exists']:
                results.append(result)
    
    # Generate report
    report_header = f"Found {len(results)} active subdomains:\n\n"
    report_body = "\n".join([
        f"Subdomain: {res['subdomain']}\n"
        f"Status: {res.get('status', 'N/A')}\n"
        f"Server: {res.get('server', 'Unknown')}\n"
        f"HTTPS: {res.get('https', False)}\n"
        f"Headers: {res.get('headers', {})}\n{'-'*40}"
        for res in results
    ])
    
    full_report = report_header + report_body
    
    print("\n[*] Requesting AI analysis...")
    analysis = analyze_with_deepseek(full_report)
    
    # Combine findings and analysis
    final_output = f"{full_report}\n\n{'='*50}\nAI ANALYSIS:\n{analysis}"
    
    # Save to file
    filename = save_report(final_output)
    print(f"\n[+] Report saved to: {filename}")

if __name__ == "__main__":
    main()

- 编辑后保存文件。

9. 选择 Python 解释器- 按 Ctrl + Shift + P，搜索 “Python: Select Interpreter”，并选择来自您虚拟环境 (env1) 的解释器。

10. 只需单击 VS Code 右上角的运行按钮以执行脚本。运行后，我在运行时遇到了 Import request error

要解决此问题，请使用以下命令：

.\env1\Scripts\activate

pip install requests ollama beautifulsoup4

再次运行脚本。如果您遇到任何问题，请随时在下面评论 — 我会尽快帮助您！

以下是显示目标侦察输出文件内容的命令：

Get-Content .\example_com-recon.txt

示例：

Get-Content .\evil_com-recon.txt

开始使用 DeepSeek

1. 自动化重复任务

使用 DeepSeek 的脚本引擎来自动化文件管理或电子邮件分类等任务。

示例：自动化数据备份

from deepseek import Automator  

automator = Automator()  
automator.schedule_task(  
    task_type="backup",  
    source_dir="/home/user/documents",  
    target_dir="/cloud/backup",  
    interval="daily"  
)

2. 数据分析与可视化

利用 DeepSeek 与 pandas 和 Matplotlib 的集成快速获取洞察。

示例：销售报告生成

import deepseek.analytics as ds  

data = ds.load_csv("sales_data.csv")  
summary = ds.analyze(data, report_type="summary")  
ds.visualize(summary, chart_type="bar", output_file="sales_report.png")

3. 构建自定义工作流程

结合 DeepSeek 模块创建端到端解决方案。

客户反馈分析的示例工作流程

从电子邮件/社交媒体抓取反馈。
使用 DeepSeek 的 NLP 工具进行情感分析。
生成报告并通过 Slack 提醒您的团队。

使用 DeepSeek 提高生产力

1. 与现有工具集成

将 DeepSeek 连接到 Slack、Microsoft Teams 或 Zapier 以获取通知。
与 Google Sheets 或 Notion 同步以实现实时数据更新。

2. 安排任务

使用 DeepSeek 的调度程序或系统工具，如 cron（Linux）或 任务调度程序（Windows），在非高峰时段运行任务。

3. 监控性能

通过 DeepSeek 的仪表板跟踪任务执行和资源使用：

deepseek monitor --dashboard

4. 高效协作

使用 DeepSeek 的导出功能与团队共享工作流程：

deepseek workflow export --name "customer_analysis" --format json

使用版本控制（Git）来管理工作流程的更改。

高级技巧

训练自定义模型：在您的数据集上微调 DeepSeek 的 AI，以执行特定任务。
API：使用其 REST API 将 DeepSeek 集成到 Web 应用程序中。
安全性：使用 DeepSeek 内置的 secure_mode 加密敏感数据：

automator.enable_secure_mode(encryption_key="your_private_key")

DeepSeek 是一个多功能工具，可以无缝适应您的工作流程，无论您是在自动化重复任务还是提取数据驱动的洞察。通过遵循本指南，您已经迈出了提升生产力的第一步。可以从小处着手——自动化一个任务——随着您的成长逐渐探索更多用例。

我很高兴通过这个博客提供有用的见解和知识。如果您觉得有帮助，请点赞、在下方评论，并分享您对 DeepSeek 的看法。

祝您编码愉快，别忘了关注以获取更多内容！

10分钟打造属于你的AI侦查工具——深度探索DeepSeek-R1与Ollama完美结合！

什么是 DeepSeek？

DeepSeek-R1 Github 仓库：

在您的系统上安装 DeepSeek

前提条件

Deepseek R1模型的安装步骤：

方法 1 安装 Ollama：

方法 2 安装模块

方法 3 为该模型设置 Python 搜索环境

开始使用 DeepSeek

1. 自动化重复任务

2. 数据分析与可视化

3. 构建自定义工作流程

使用 DeepSeek 提高生产力

1. 与现有工具集成

2. 安排任务

3. 监控性能

4. 高效协作

高级技巧

Tags :

Share :

Related Posts

结合chatgpt-o3-mini与perplexity Deep Research的3步提示：提升论文写作质量的终极指南

让 Excel 过时的 10 种 Ai 工具：实现数据分析自动化，节省手工作业时间

使用 ChatGPT 搜索网络功能的 10 种创意方法

掌握Ai代理：解密Google革命性白皮书的10个关键问题解答

在人工智能和技术领域保持领先地位的 10 项必学技能 📚

揭开真相！深度探悉DeepSeek AI的十大误区，您被误导了吗？