一文速览DeepSeek-R1的本地部署——可联网、可实现本地知识库问答：包括671B满血版和各个蒸馏版的部署

前言

爆火以后便应了“人红是非多”那句话，不但遭受各种大规模攻击，即便后来挡住了大部分攻击，但海内外大量闯入deepseek官网一探究竟的网友也把他们的服务器压得不堪重负

导致一提问，要么频繁显示：服务器繁忙，请稍后再试；要么回答了 但无法联网，致使我朋友圈内一些不知情的朋友说：看把媒体给能的，各种瞎吹，但其实不过尔尔..

怎么办呢？

• 一方面，微信上的好友老师木发圈表示

  “ 这个春节有点特别，虽然没有休息一天，大家也没有怨言。看到DeepSeek创造的一个又一个奇迹，我很焦急但苦于没有资源，同事突发奇想：国产卡多，用国产卡吧 ” 于是，在25年的2.1日，硅基流动 x 华为云联合推出基于昇腾云的 DeepSeek R1 & V3 推理服务！

  个人认为这是国产GPU替代英伟达GPU之路的里程碑时刻 虽然在此之前，华为以及不少国内公司在GPU国产化上做了很多工作、努力，而且在不少政务单位已经做了很多替代

  但我们过去两年 对外接各种大模型项目的时候——我司「七月在线」除了开发一系列内部产品 也对外接各种项目，不论是客户还是我们内部，对国产GPU是否好适配、以及适配之后是否丝滑好用 始终存在着一定的担忧 我相信，这一情况会随着本次的「昇腾云的 DeepSeek R1 & V3 推理服务」而越来越好

• 另一方面，我原本不想看什么本地部署的，也不得不关注下各种版本下的本地部署

  本文便来重点探讨各种版本下、各种情况下的DeepSeek-R1的本地部署「当然，某乎上也有很多类似“ 如何在本地部署DeepSeek-R1模型？” 的帖子，但有了本文之后，你基本上不用再看别的帖子了」

如此，本文来了，以下是本文的更新记录「本文不用付费、不用各种附加条件，直接看即可，且涵盖各种版本的部署、各种交互模式、各种额外功能比如联网、知识库——齐活」

1. 2.3日下午，在我自己的iMac上本地部署了下R1 7B蒸馏版，详见下文的2.1.1 Ollama下的终端命令行交互

   2.1.2 Ollama下的open-webui交互：基于docker安装，且支持联网搜索

2. 2.4日晚上，可能是自己早已习惯在博客中尽可能把所有细节一次性讲清楚 所以我自己又尝试了2.1.3 基于Ollama + ChatBox部署deepseek-r1:7b

   2.2.1 基于Ollama + Page Assist搭建本地知识库问答系统：且支持联网搜索 且同时让同事文弱尝试了通过vLLM推理deepseek-r1，也已更新在了下文的2.3 通过vLLM推理deepseek-r1

3. 2.5日早上，再度尝试了2.2.2 基于Ollama + AnythingLLM搭建本地知识库问答

4. 2.8日下午，在文中体现出不同电脑上的安装差别一分Mac版、Windows版、Linux 后两者分别来自同事朝阳、同事青睐的贡献

第一部分 本地部署之前的准备工作：各个版本、推理框架、硬件资源

1.1 DeepSeek-R1的多个版本：加上2个原装671B的，总计8个参数版本

在huggingface上总共有以下几种参数的deepseek R1

1. DeepSeek-R1 671B

2. DeepSeek-R1-Zero 671B

3. DeepSeek-R1-Distill-Llama-70B

4. DeepSeek-R1-Distill-Qwen-32B

5. DeepSeek-R1-Distill-Qwen-14B

6. DeepSeek-R1-Distill-Llama-8B

7. DeepSeek-R1-Distill-Qwen-7B

8. DeepSeek-R1-Distill-Qwen-1.5B

1.2 主流的大模型推理框架：分为PC端和Android端

首先，看推理框架，目前主流的大模型推理框架主要有以下5种：

• SGLang 完全支持 BF16 和 FP8 推理模式下的 DeepSeek-V3 模型

• Ollama，相对简单易用，大众用户首选

• vLLM，开发者首选，便于商业化诉求 支持 FP8 和 BF16 模式的 DeekSeek-V3 模型，用于张量并行和管道并行详见：一文通透vLLM与其核心技术PagedAttention：减少KV Cache碎片、提高GPU显存利用率(推理加速利器)

• LLaMA.cpp

• MNN-LLM，偏Android手机端 MNN-LLM展现了卓越的CPU性能，预填充速度相较于llama.cpp提高了8.6倍，相较于fastllm提升了20.5倍，解码速度分别快了2.3倍和8.9倍

  更多详情，请参见论文《MNN-LLM: A Generic Inference Engine for Fast Large Language Model Deployment on Mobile Devices》

1.3 不同参数的模型所要求的硬件

其次，看硬件要求，很显然，不同参数的模型所要求的硬件各不相同(下表修改自微信好友杨老师整理的表格)

模型参数

最低GPU配置

最低CPU配置

建议内存

建议硬盘空间

R1 or R1-Zero 满血版

A/H100(80G) x 16-18

某乎上便有篇文章：16张H100部署模型DeepSeek-R1

值得一提的是，A100/A800原生并不支持FP8运算，如果A800要执行FP8精度计算，需要在指令层面进行模拟（存在精度转换计算）

如下图所示(图源)

Xeon 8核

192GB

2TB固态

R1-distill-llama70B

RTX 4090(24GB) x 2

i9-13900K

64GB

1TB固态

R1-distill-Qwen32B

RTX 4090(24GB)

i7-13700K

64GB

1TB固态

R1-distill-Qwen14B

RTX 4060S(16GB)

Ryzen 7

32GB

500G固态

可以看到

• 完全开源的DeepSeek-R1 671B参数进行本地私有化部署的显卡资源要求极高 包括我司七月在线内部之前也最多用过8张80G的A100——通过1.5K条paper-review数据微调LLaMA2 70B「详见此文《七月论文审稿GPT第4.2版：通过15K条paper-review数据微调Llama2 70B(含各种坑)》」

• 

  打开网易新闻 查看更多图片

因此提供的精度就是FP8(e4m3)，占单个Byte空间

"quantization_config": {
"activation_scheme": "dynamic"
"fmt": "e4m3",
"quant method": "fp8"
"weight_block_size": [
128,
128
]
}

• 模型分片163个，模型的文件总计约为642G，如果以FP3精度加载到显存，模型参数就需要642GB空间 按PagedAttention论文预估的KV-Cache+和激化值估计至少要占到30%左石

• 在推理场景下，输出大多是长文本，那就更多了，而且具体模型还要实测，或用Nvidia Nisight+分析显存占用。估计常规部署都需要800GB以上，10张A800打底

而大部分消费者或开发者拥有的硬件资源是有限的，故关于网上大多数人所谓部署的R1都是其蒸馏Llama/Qwen后的8B/32B/70B版本，本质是微调后的Llama或Qwen模型

1.4 蒸馏版和满血版的两类部署

最后，咱们下面有两种部署对象

1. 一个是部署各种蒸馏版

也不要小看蒸馏版，虽然R1蒸馏llama/qwen的版本效果上不及R1 671B满血版，但还是挺能打的

详见下图，在与GPT-4o 0513、o1 mini、QwQ-32B preview PK的过程中，各个蒸馏版在六个榜单中的五个榜单 都拿到了第一

2. 一个是部署R1 or R1-Zero 满血版

第二部分 通过Ollama/vLLM/MNN本地部署R1蒸馏版：支持联网及知识库问答(含PC端和手机端)

2.1 基于Ollama和各类插件构建智能对话：终端、open-webui、chatbox

2.1.1 Ollama下的终端命令行交互

首先，671B的R1光模型本身就有688G：

• huggingface.co/deepseek-ai/DeepSeek-R1，没有一定的GPU集群 确实不好弄

• 即便是量化版本，最极端的Q1量化，也要94G：huggingface.co/bartowski/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-IQ1_S

• Q4量化版，则大概360G，如果有5张 A100 80G，则可以试一下huggingface.co/bartowski/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-IQ4_XS

所以，一般用户比较好跑的还是R1的蒸馏版

• 如果是10G显存

  可以跑这个R1蒸馏Qwen 2.5 14b的IQ4_NL版本huggingface.co/bartowski/DeepSeek-R1-Distill-Qwen-14B-GGUF/blob/main/DeepSeek-R1-Distill-Qwen-14B-IQ4_NL.gguf

• 如果是16G显存

  一方面，可以试试蒸馏的Qwen 2.5 32b的版本，IQ3_M量化，不过，有人实测后，说损失有点严重——相当于Q4以下量化都不太推荐

  二方面，我司七月在线的《DeepSeek项目实战营》提供的GPU预装了DeepSeek-R1-Distill-Llama-8B：https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Llama-8B，欢迎大伙体验

我下午在我自己的iMac上本地部署了下R1 7B蒸馏版，还想办法支持了联网搜索，这一切确实比之前更平权了，速度可以的，效果的话 毕竟就7B嘛——和671B 满血版还是有很大差距的

我的iMac，配置如下 Retina 4K, 21.5-inch, 2017

处理器 3,4 GHz 四核Intel Core i5

图形卡 Radeon Pro 560 4 GB

内存16 GB 2400 MHZ DDR4

macOS Ventura 13.6.7 同事朝阳Windows的配置如下 CPU：Intel(R) Core(TM) i5-8300H 显卡：NVIDIA GeForce GTX 1050Ti 4G独显 内存：16G

具体怎么操作呢 ，进入Ollama页面

1. Download Ollama，我个人电脑因为是iMac，故选择macOS版本——180M大小

如果是Windows、或Linux，则分别对应选择

其中，如果是Windows

如同事朝阳所说，则Windows上下载后，先不要着急安装，因为会默认安装到C盘中，为避免占用C盘空间，可以先打开终端（cmd），通过OllamaSetup.exe /dir="E:\Program Files\Ollama”命令可以指定Ollama安装目录——这里由于Windows会默认安装到C盘，故和其他系统如Mac需特别注意下

且Ollama安装好之后，需先关闭，在配置并保存完环境变量后重新启动

接下来，指定大模型存储目录

其中，如果是ubuntu

如同事青睐所说，则如下安装Ollama

curl -fsSL https://ollama.com/install.sh | sh

可以查看ollama版本

ollama -v

以下则是其他的命令

ollama

还可以查看ollama的服务运行状态

‍要查看当前正在运行的服务，可以使用以下命令：

sudo systemctl list-units --type=service --state=running

如遇问题，可以课程《DeepSeek原理与项目实战营》群内多多讨论

2. 在模型列表页面，下载deepseek R1模型：ollama.com/library/deepseek-r1，然后可以选择比如R1蒸馏qwen27B的蒸馏版

3. 打开本地的命令提示符「我个人电脑是iMac，故在启动台的搜索框里：输入终端，即可打开」，输入以下命令后，回车键开始下载安装对应参数的模型：

ollama pull deepseek-r1:7b

下载完成后，可以通过ollama list指令查看所有本地模型占用的存储空间

ollama list

想看具体某一个模型的参数。可以使用ollama show指令：

ollama show 
<模型名称>

4. 然后再运行以下命令，便可以和deepseek R1对话了

ollama run deepseek-r1:7b

2.1.2 Ollama下的open-webui交互：基于docker安装，且支持联网搜索

当然，如果你希望有更好的交互方式，则可以考虑用ollama的标配前端open-webui

1. 如果是ubuntu，则可以

   1）第一步：准备ubuntu系统

我使用的是win11的wsl2 ubuntu 子系统（也可以使用VM虚拟机），详情见：window11使用wsl2安装Ubuntu22.04

2）第二步：ubuntu安装docker（命令行版）

linux 安装配置docker与网络代理，详情见：Ubuntu 安装 docker 配置环境及其常用命令 如遇问题，可以课程《DeepSeek原理与项目实战营》群内多多讨论

2. 安装

输入以下命令——等待安装完成

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

可能有同学疑问，这个7B没法联网，有点弱智啊，好问题

2.1.3 基于Ollama + ChatBox部署deepseek-r1:7b

除了上面的open-webui之外，当然，也有人说，chatbox 是个很方便的图形界面，比open web-UI 好用

一不做二不休，那我们再试下这个chatbox

1. 通过Ollama部署好deepseek-r1:7b之后，再通过chatbox官网下载对应的客户端：chatboxai

3. 接下来，便可以提问R1 7B拉

2.2 基于Ollama和Page Assist/AnythingLLM构建本地知识库问答系统

2.2.1 基于Ollama + Page Assist搭建本地知识库问答系统：且支持联网搜索

也有人称，Page Assist 直接提供了一个类似Open WebUI的交互界面来运行本地的大模型，故我们再试下这个Page Assist

更何况在通过Ollama部署好deepseek-r1:7b之后，如果你想让DeepSeek R1不仅仅是一个问答机器人，而是一个具有专有知识的智能助手，那就需要搭建本地知识库了

实现也很简单——基于Page Assist即可

2.2.2 基于Ollama + AnythingLLM搭建本地知识库问答

除了通过page Assist搭建本地知识库外，还可以通过AnythingLLM

1. 在其官网下载客户端：https://anythingllm.com/desktop

2. 下载好了之后，选择模型

3. 一切安装好了之后，点击界面左上角-工作区的上传按钮

2.3 通过vLLM推理deepseek-r1

本2.3节基本为我司大模型项目组的文弱编写

2.3.1 基于vLLM的命令行交互——R1-Distill-Llama-8B

1. 首先，新建一个conda环境：

conda create -n vllm_test python=3.10

2. 然后配置该conda环境：

conda activate vllm_test

pip install vllm

3. 配置好以后，启动vllm推理服务：

vllm serve path_to/DeepSeek-R1-Distill-Llama-8B --tensor-parallel-size 1 --max-model-len 32768 --enforce-eager --gpu_memory_utilization=0.98 --enable-chunked-prefill --port 6060

默认是8000端口，可以修改port里的参数来改变服务端口 vllm serve后面的模型路径改为本地下载好的模型的实际绝对路径

4. 启动vllm服务后，便可以直接提问了，比如输入如下命令行：

curl http://localhost:6060/v1/chat/completions \


-H "Content-Type: application/json" \


-d '{


"model": "path_to/DeepSeek-R1-Distill-Llama-8B ",


"messages": [


{"role": "system", "content": "You are a helpful assistant."},


{"role": "user", "content": "题目：有五个人站成一排，每个人手中都拿着一顶帽子，帽子的颜色可以是红色、蓝色或绿色。每个人都能看到自己前面的人头上的帽子颜色，但看不见自己头上的帽子，且每个人只能看到前面人的帽子颜色，而无法看见自己的帽子和别人背后的帽子。每个人都可以听到别人说话的内容，但不能交换信息。规则：每个人都知道一共有三种颜色的帽子（红、蓝、绿），并且帽子是随机分配的，每种颜色可能有多个，但也可能没有。每个人会依次回答自己头上的帽子颜色，能正确猜出自己帽子颜色的人可以获得奖励。第一个人只能听到后面四个人的回答，无法知道任何自己的信息；第二个人只能听到后面三个人的回答，依此类推。第一个人可以先做一个声明，告知后面的人如何推理他们自己的帽子颜色。问题：如果所有人都能完美推理出自己头上的帽子颜色，问：第一个人应该如何开始，才能确保最多的人能够猜对自己帽子颜色？"}


],


"max_tokens": 2000,


"temperature": 0.7,


"top_p": 0.9


}'

2.3.2 基于vllm + open WebUi 部署r1 7b

同事文弱因为电脑显存有限，所以找了一个量化的7b模型，重在跑通流程「如他所说，open webui需要docker，所以autodl上不能用，但是我的电脑显存又比较小，我去魔搭社区找到了一个8bit的r1 7b弄的，最终在wsl2上启动的vllm服务，在Windows上启动的open webui」

对于wsl2的部分：

第一步：下载模型

git lfs install

git clone https://www.modelscope.cn/okwinds/DeepSeek-R1-Distill-Qwen-7B-Int8-W8A16.git

第二步：搭建环境

conda create -n vllm_deploy python=3.10


conda activate vllm_deploy


pip install vllm

第三步：用vllm启动推理服务

vllm serve /home/duke/playground/models/DeepSeek-R1-Distill-Qwen-7B-Int8-W8A16 --max-model-len 32768 --enforce-eager --gpu_memory_utilization=0.9 --enable-chunked-prefill

第四步：得到wsl2的实际ip地址

ip addr show eth0 | grep 'inet ' | awk '{print $2}' | cut -d/ -f1


172.18.xxx.xxx

对于Windows部分

1. 第一步：下载docker桌面版 在docker官网(www.docker.com)下载Windows的docker桌面版

第二步：运行（下载）open Webui docker

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main

第三步：在本地浏览器输入 localhost:3000 进入open Webui界面 注册并登录之后 点击左下角的settings：

在接下来的页面点击Connections，点击以后在 Manage OpenAI API Connections 这个框中填入「 注意，这里只是个设置框，并不需要你事先有OpenAI的API」：http://172.18.xxx.xxx:8000/v1 （这里的ip地址为wsl2的地址，而不是localhost） 在同事文弱的环境中，必须用http协议，否则会报错。默认是https，这里需要注意一下

在第二框中填入一个空格即可

点击右下角的齿 轮再连 接就可以了

第四步：对话验证 新建一个对话框，这个时候就可以找到我们在wsl2中vllm部署的模型了 加载该模型即可开始对话

2.4 本地手机端部署DeepSeek-R1蒸馏Llama/Qwen后的版本

直接通过这个链接：mnn_llm_app_debug_0_1.apk，下载Android apk，安装之后，在应用内的模型列表最后一个，直接安装R1-1.5B-Qwen-MNN 即可

我另一个同事朝阳——我司七月大模型项目组负责人，也验证了下，没问题

第三部分 无蒸馏前提下本地部署R1 or R1-Zero 671B满血版

本地部署R1 or R1-Zero 满血版又分为两种方式

1. 一种是做了各种量化的，此乃属于追求满血版但资源还是有限不得不做的折中处理

2. 一种是不做任何量化的，这种属于土豪路径，如果你是用的这个路线，请私我，原因很简单，我也想多一些土豪朋友

3.1 折中路径：无蒸馏但量化部署Deepseek-R1 671B满血版

3.1.1本地CPU上运行 Deepseek-R1 的完整的硬件 + 软件设置

huggingface 的一工程师Matthew Carrigan展示了在本地CPU上运行 Deepseek-R1 的完整的硬件 + 软件设置「他使用的是 670B 模型，无蒸馏，Q8 量化，实现全质量，总成本 6,000 美元——GPU版本得10万美元+」

核心硬件方面

• 主板：技嘉 MZ73-LM0 或 MZ73-LM1。有 2 个 EPYC 插槽，以获得 24 个 DDR5 RAM 通道

• CPU：2x 任何 AMD EPYC 9004 或 9005 CPU “LLM 一代的瓶颈在于内存带宽，因此您不需要高端产品。如果真的想降低成本，请购买 9115 甚至 9015”

• RAM：24×32GB DDR5-RDIMM 因为需要 768GB（以适应模型）跨 24 个 RAM 通道（以获得足够快的带宽），故意味着 24 x 32GB DDR5-RDIMM 模块

关键组件方面

• 电源：该系统的功耗出奇地低！（<400W） “但是，您需要大量的 CPU 电源线来为 2 个 EPYC CPU 供电。Corsair HX1000i 的功率足够了。”

• 机箱：具有用于安装完整服务器主板的螺丝安装座

• 散热器：适合AMD EPYC 有 SP5 插槽的就行

系统调优方面

• 最后，SSD：任何适合 R1 的 1TB 或更大的 SSD 都可以。“推荐 NVMe，只是因为启动模型时你必须将 700GB 复制到 RAM 中

• 软件部分：安装 Linux，进入 BIOS 并将 NUMA 组数设置为 0。这将确保模型的每一层都交错在所有 RAM 芯片上，从而使我们的吞吐量加倍。安装 Llama。下载 700G 的DeepSeek-R1-Q8_0 版本

软件部署

1. 安装llama.cpp：git clone https://github.com/ggerganov/llama.cpp

2. 下载模型权重：HuggingFace Q8_0目录全量700GB（⚠️确保存储空间）

3. 一切完成后，设置以下代码：

llama-cli -m ./DeepSeek-R1.Q8_0-00001-of-00015.gguf --temp 0.6 -no-cnv -c 16384 -p "<｜User｜>How many Rs are there in strawberry? <｜Assistant｜>"

这个版本没有 GPU，生成速度是每秒 6 到 8 个tokens，作者认为考虑到价格，这个非 GPU 硬件的方案可以接受。因为运行的是 Q8 量化的完整 670B 模型，因此质量应与 Deepseek API 无异

至于为什么不用GPU？

1. 显存墙限制：保持Q8精度需700GB+显存，单张H100仅80GB → 需9张组集群 → 成本超10万美元

2. 量化损耗困境：若降精度至FP16，8卡H100即可运行 → 但模型质量显著下降 ≈ 智商砍半

3. 性价比暴击：本方案以1/20成本实现可用推理速度（对比GPU方案6-8tps vs 50-100tps）

3.1.2 GPU上跑无蒸馏但量化的Deepseek-R1 671B满血版

Unsloth AI 在 HuggingFace 上提供了 “动态量化” 版本来大幅缩减模型的体积

所谓“动态量化” 的核心思路是：对模型的少数关键层进行高质量的 4-6bit 量化，而对大部分相对没那么关键的混合专家层（MoE）进行大刀阔斧的 1-2bit 量化

为什么可以做呢，原因在于他们观察到，DeepSeek 的前 3 层是全连接层，而非 MoE 层

作为回顾，MoE（专家混合）层使得能够在不增加模型计算量（FLOPs）的情况下增加参数数量，因为他们动态地将大多数条目掩码为 0，因此实际上跳过了对这些零值条目的矩阵乘法运算「更多请参阅此条推文：x.com/danielhanchen/status/1868748998783517093」

1. 总之，通过这种方法，DeepSeek R1 全量模型可压缩至最小 131GB（1.58-bit 量化），极大降低了本地部署门槛，甚至能在单台 Mac Studio 上运行

2.Unsloth AI 提供了4 种动态量化模型（1.58 至 2.51 比特，文件体积为 131GB 至 212GB）

MoE Bits

Disk Size

Type

Quality

Link

Down_proj

1.58-bit

131GB

IQ1_S

Fair

huggingface.co/unsloth/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-UD-IQ1_S

2.06/1.56bit

1.73-bit

158GB

IQ1_M

Good

huggingface.co/unsloth/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-UD-IQ1_M

2.06bit

2.22-bit

183GB

IQ2_XXS

Better

huggingface.co/unsloth/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-UD-IQ2_XXS

2.5/2.06bit

2.51-bit

212GB

Q2_K_XL

Best

huggingface.co/unsloth/DeepSeek-R1-GGUF/tree/main/DeepSeek-R1-UD-Q2_K_XL

3.5/2.5bit

部署此类大模型的主要瓶颈是内存+显存容量，建议配置如下：

• DeepSeek-R1-UD-IQ1_M：内存 + 显存 ≥ 200 GB

• DeepSeek-R1-Q4_K_M：内存 + 显存 ≥ 500 GB

若硬件条件有限，可尝试体积更小的 1.58-bit 量化版（131GB），可运行于：

• 单台 Mac Studio 192GB 统一内存，参考案例可见 X 上的 @ggerganov，成本约 5600 美元

• 2×Nvidia H100 80GB 参考案例可见 X 上的 @hokazuya，成本约 4~5 美元 / 小时

且在这些硬件上的运行速度可达到 10+ token / 秒

// 待更

3.2 土豪路径：无蒸馏不量化部署Deepseek-R1 671B满血版

想既不蒸馏、且不量化部署R1满血版，其实过程跟上面差不多，但核心问题是对硬件的要求很高——正因为需要十几张H100，故涉及到对GPU集群的管理

配置项

配置要求

GPU

H100 * 16

CPU

128核

内存

512GB

磁盘

1TB

// 待更

除了以上，更多DeepSeek相关见七月在线的《DeepSeek原理与项目实战营》

↓↓↓扫码了解课程↓↓↓

课程咨询可找苏苏老师VX：julyedukefu008或七月其他老师

‍‍‍