Подключить DeepSeek напрямую к кассе Эвотор по штатной кнопке нельзя: для связи кассовых данных с нейросетью нужны сторонние интеграции через API или промежуточные сценарии автоматизации. Инструкция подходит владельцам розничных точек на Эвоторе, готовым работать с вебхуками; проверка проведена на актуальных API-шлюзах DeepSeek (версия V3/R1), главное ограничение — отсутствие готового коробочного приложения в магазине Эвотор. Зачем связывать DeepSeek и Эвотор на реальной точке У нас в кабинете накопилась куча вопросов от покупателей в мессенджерах: «есть ли товар в наличии», «когда привезут заказ», «какой график работы». Отвечать вручную посреди смены — это постоянный отрыв от покупателей у стойки. Идея была простая: отдать рутину нейросети, чтобы бот сам брал остатки из товарной базы Эвотор и вежливо отписывался людям. Готовых коробочных
Показать полностьюСтатьяГайд
Как запустить DeepSeek-R1 локально через Ollama для переписок
Автор отметил, что материал написан или существенно правлен с помощью ИИ (gemini-2.5-flash).

Зачем запускать DeepSeek-R1 локально в офисе
Обычные облачные нейросети стоят денег по подписке и требуют отправки клиентских переписок на чужие серверы. Если в чатах крутятся персональные данные, договоры или условия сделок, облачные сервисы часто не подходят по соображениям безопасности.
Локальный запуск DeepSeek-R1 через Ollama снижает передачу данных внешним сервисам и убирает плату за API. При этом нужно учитывать политику сети, обновления, доступ пользователей, стоимость оборудования и электроэнергии.
- Полная конфиденциальность: переписки не покидают жесткий диск ПК.
- Отсутствие абонентской платы за облачные запросы.
- Работа без постоянного подключения к интернету.
Системные требования и выбор версии модели
Для работы без дискретной видеокарты за сто тысяч рублей нужно правильно выбрать размер модели DeepSeek-R1. Сама архитектура имеет разные веса, от тяжелых до компактных дистиллированных версий.
Для офисного компьютера с 16 ГБ оперативной памяти оптимально подходит дистиллированная версия на 7 или 8 миллиардов параметров (например, на базе Llama или Qwen). Она помещается в память и выдает приемлемую скорость генерации текста на обычном процессоре.
- Оперативная память: минимум 16 ГБ для моделей на 7B-8B параметров.
- Свободное место на диске: от 5 до 10 ГБ под файлы модели.
- Процессор: любой современный многоядерный CPU с поддержкой инструкций AVX2.
Установка Ollama и скачивание модели
Первый шаг — установка официального инструмента управления моделями Ollama. Скачиваем инсталлятор с официального сайта под вашу операционную систему и запускаем стандартную установку.
После завершения установки открываем терминал (командную строку) и выполняем команду для скачивания и одновременного запуска нужной версии DeepSeek-R1. Утилита сама подтянет веса и подготовит окружение.
- Перейти на сайт ollama.com и скачать установщик.
- Установить программу с настройками по умолчанию.
- В терминале ввести команду: ollama run deepseek-r1:7b
Проверка работы и обработка первых переписок
Когда скачивание завершится, в командной строке появится интерактивное поле ввода. Сюда можно вставлять фрагменты клиентских переписок и задавать задачи по их анализу, суммаризации или подготовке ответов.
На CPU компактная модель обычно отвечает медленнее облачных сервисов; фактическая скорость зависит от поколения процессора, объёма памяти и выбранной квантизации.
- Введите текстовый запрос прямо в консоли Ollama.
- Оцените скорость генерации на вашем железе.
- При необходимости подключите локальный графический интерфейс (например, Open WebUI).
Экономика проекта: считаем расходы на подписки
Стандартные облачные ИИ-ассистенты для бизнеса обходятся примерно в двадцать долларов на одно рабочее место в месяц. При трех сотрудниках это дает около шестидесяти долларов расходов ежемесячно.
При запуске на имеющемся компьютере нет платы за токены, но остаются расходы на электроэнергию, администрирование и при необходимости обновление оборудования.
- Облачный тариф: около 20 долларов в месяц за аккаунт.
- Локальный вариант на Ollama: 0 рублей за использование.
- Откат изменений: удаление программы и моделей возвращает диск в исходное состояние за минуту.
Источники
Ollama Official Documentation: https://github.com/ollama/ollamaDeepSeek-R1 Model Card: https://huggingface.co/deepseek-ai/DeepSeek-R1Источник: https://github.com/ollama/ollama
Комментарии (0)
Войдите, чтобы комментировать.
Без Plus — 5 комментариев в месяц. Мало слов — чистый воздух. Войти
Комментариев пока нет — будьте первым.
Ещё в теме «Бизнес на ИИ»
Похожие материалы и соседние разборы
Чтобы настроить интеграцию Yandex GPT с 1С:Предприятие для автозаполнения номенклатуры, нужно отправить POST-запрос к эндпоинту Yandex Cloud Foundation Models с помощью стандартного объекта HTTPСоединение. Способ подходит для типовых конфигураций на платформе 1С от версии 8.3.17 и выше, но требует активного платежного аккаунта в Yandex Cloud и работающего IAM-токена. Какая версия API Yandex Cloud нужна и как получить IAM-токен в 1С У нас в кабинете стоит простая задача: заставить 1С саму дописывать характеристики товара по короткому артикулу или названию, чтобы менеджеры не сидали по полчаса над каждой позицией. Для этого используется синхронный REST API Yandex GPT к моделям YandexGPT Foundation Models. Главный подводный камень — авторизация. API не пускает запросы просто по секретному ключу каталога, ему нужен временный IAM-токен, который
Показать полностьюДля извлечения данных из сканов и PDF-счетов малого бизнеса модель Claude 3.7 Sonnet демонстрирует более стабильное визуальное распознавание таблиц и работу с пометками, тогда как ChatGPT o3 mini предлагает высокую скорость логического вывода при строгом структурировании ответов. Сравнение актуально для разработчиков и автоматизаторов учетных систем по состоянию на февраль 2025 года; главное ограничение обеих моделей заключается в необходимости жесткого программного контроля схемы JSON на стороне клиента для исключения галлюцинаций в цифровых значениях. Критерии сравнения моделей для первичной бухгалтерской документации Автоматизация обработки первичной бухгалтерской документации в малом бизнесе требует от языковых моделей безошибочного чтения сканов, PDF-файлов и бумажных накладных. Основная задача ИИ на этом этапе заключается в превращении
Показать полностьюЗачем подключать DeepSeek R1 к 1С своими силами Разноска банковских выписок в 1С:Бухгалтерия съедает у бухгалтера массу времени, особенно если контрагенты пишут в назначении платежа «всякую ерунду». Отправлять первичку в облачные сервисы нельзя по соображениям безопасности: коммерческая тайна и персональные данные клиентов не должны уходить на сторонние серверы. Решением становится запуск локальной языковой модели DeepSeek R1 через инструмент Ollama. В этом разборе мы опираемся на официальные спецификации моделей и открытую документацию по интеграции локального API, чтобы посчитать реальные затраты на железо и время обработки документов. Методика и ограничения полевого теста Чтобы не строить иллюзий о миллионной экономии, возьмем конкретные вводные: база 1С:Бухгалтерия предприятия, ред. 3.0, примерно 400–600 входящих платежей в месяц. Тест
Показать полностьюЗачем я полез с накладными в Claude 3.5 Sonnet Павел Дронов, хозяин торговой точки. Задачу оцифровки бумажных накладных и чеков я решал без иллюзий про полную автоматизацию. У меня есть пачка мятых бумажек от поставщиков, где вместо нормального ЭДО часто приносят блеклые ленты из принтера или заполненные от руки бланки. Обычные коробочные OCR-системы на таких документах стабильно ломаются, а отдавать бухгалтеру ручной ввод — это постоянные перепроверки. Решил проверить, как с этой рутиной справляется Claude 3.5 Sonnet через веб-интерфейс и API, опираясь на официальные спецификации модели и фактический прогон документов. Во сколько обошелся тест по API и через веб Если считать затраты по текущим тарифам Anthropic для Claude 3.5 Sonnet (3 доллара за миллион входных токенов и 15 долларов за миллион выходных), обработка одного среднего документа с
Показать полностьюГде сломалосьГайд
Make.com ошибка 429 Too Many Requests: причины и устранение
Ошибка 429 Too Many Requests в Make.com возникает, когда сценарий отправляет слишком много запросов за короткий промежуток времени, превышая лимиты внешнего сервиса или тарифного плана. Инструкция актуальна для пользователей платформы Make (бывший Integromat), которым требуется оптимизировать сценарии без перехода на дорогие тарифные планы. Главное ограничение: встроенные паузы увеличивают общее время выполнения сценария. Почему сценарий в Make.com останавливается с ошибкой 429 Код состояния HTTP 429 Too Many Requests возвращается внешним сервером API, когда клиент совершает больше вызовов, чем разрешено за определенный интервал времени (например, 100 запросов в минуту). Платформа Make.com фиксирует этот ответ и останавливает выполнение конкретного модуля или всего сценария в зависимости от настроек обработки ошибок. Для малого бизнеса это
Показать полностью
