> ## Documentation Index > Fetch the complete documentation index at: https://docs.jiekou.ai/llms.txt > Use this file to discover all available pages before exploring further. # DeepSearcher DeepSearcher combina LLM de vanguardia (OpenAI o1, o3-mini, DeepSeek, Grok 3, Claude 4 Sonnet, Llama 4, QwQ, etc.) y bases de datos vectoriales (Milvus, Zilliz Cloud, etc.) para ejecutar búsquedas, evaluaciones y razonamiento sobre datos privados, proporcionando respuestas de alta precisión e informes completos. **Ideal para:** gestión del conocimiento empresarial, sistemas inteligentes de preguntas y respuestas, y escenarios de recuperación de información. Example Image1 ## 1. Obtener la información de configuración de JieKou.AI ### (1) Registrarse para obtener una clave API Regístrate e inicia sesión en JieKou.AI. Si introduces el código de invitación【YGHNZ0】al registrarte, obtendrás una recompensa de registro de \$2. Example Image2 Abre la página de administración de【API key】, haz clic en el botón para añadir, introduce un nombre personalizado para la clave y genera la clave API. Example Image3 Example Image4 ### (2) Generar y guardar la clave API !Atención: la clave se almacena cifrada en el servidor y no se puede volver a ver después de crearla. Guárdala correctamente; si la pierdes, deberás eliminarla en la consola y crear una clave nueva. Example Image5 ### (3) Obtener el ID del modelo que necesitas usar En la Plaza de modelos de JieKou.AI, busca el modelo que deseas usar y copia el ID del modelo y la URL base. Example Image6 * Gemini-3-pro-preview * Gemini-2.5-pro * Claude-sonnet-4-5 * Gpt-5.1 * Gpt-4o Para otros ID de modelos, contexto máximo y precios, consulta: [Plaza de modelos](https://jiekou.ai/models-console/library?auth_res=success\&is_reg=false) ## 2. Instalar DeepSearcher Consulta la guía de instalación detallada en: [https://github.com/zilliztech/deep-searcher](https://github.com/zilliztech/deep-searcher) (1) Clonar el repositorio ``` git clone https://github.com/zilliztech/deep-searcher.git cd deep-searcher ``` (2) Crear un entorno virtual y activarlo ``` #MAKE SURE the python version is greater than or equal to 3.10 python3 -m venv .venv source .venv/bin/activate ``` (3) Instalar las dependencias ``` pip install -e . ``` ## 3. Modificar el código de ejemplo para conectarse a los modelos de JieKou.AI El código de ejemplo se encuentra en `examples/basic_example.py`. Puedes usar este ejemplo para ejecutar DeepSearcher. (1) Configurar la API Key Establece la API Key que acabas de obtener en la variable de entorno local `JIEKOU_API_KEY`. ``` export JIEKOU_API_KEY="YOUR_JIEKOU_API_KEY" ``` (2) Configurar el LLM y el modelo de Embedding Añade el siguiente código después de la línea `config = Configuration()` en el código de ejemplo: ``` config.set_provider_config("llm", "JiekouAI", {"model": "claude-sonnet-4-5-20250929"}) config.set_provider_config("embedding", "JiekouAIEmbedding", {"model": "qwen/qwen3-embedding-8b"}) ``` (3) Configurar la ruta del archivo que se va a recuperar y el prompt Carga el archivo desde la ruta local especificada y almacena su contenido en la colección. Modifica el código donde se llama a `load_from_local_files`. Puedes usar el archivo `examples/data/WhatisMilvus.pdf` proporcionado por el proyecto, o usar tu propio archivo. Si necesitas eliminar y volver a crear la colección durante la ejecución, puedes establecer `force_new_collection` en `True`. ``` load_from_local_files( paths_or_directory=os.path.join(current_dir, "data/WhatisMilvus.pdf"), collection_name="milvus_docs", collection_description="All Milvus Documents", force_new_collection=True, # If you want to drop origin collection and create a new collection every time,set force_new_collection to True ) question="Write a report comparing Milvus with other vector databases." ``` (4) Ejecutar el código de ejemplo desde el directorio raíz del proyecto: ``` python examples/basic_example.py ```