> ## 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 combine des LLM de pointe (OpenAI o1, o3-mini, DeepSeek, Grok 3, Claude 4 Sonnet, Llama 4, QwQ, etc.) et des bases de données vectorielles (Milvus, Zilliz Cloud, etc.) pour effectuer des recherches, des évaluations et des raisonnements basés sur des données privées, fournissant des réponses très précises et des rapports complets.
**Particulièrement adapté à :** la gestion des connaissances en entreprise, les systèmes intelligents de questions-réponses et les scénarios de recherche d’informations.
## 1. Obtenir les informations de configuration JieKou.AI
### (1) Obtenir une clé API après l’inscription
Inscrivez-vous et connectez-vous à JieKou.AI. En renseignant le code d’invitation 【YGHNZ0】 lors de l’inscription, vous pouvez obtenir une récompense d’inscription de 2 \$.
Ouvrez la page de gestion 【API key】, cliquez sur le bouton d’ajout, saisissez un nom de clé personnalisé, puis générez la clé API.
### (2) Générer et enregistrer la clé API
!Attention : la clé est stockée chiffrée côté serveur. Après sa création, elle ne pourra plus être consultée à nouveau. Veuillez la conserver soigneusement ; en cas de perte, vous devrez la supprimer dans la console et créer une nouvelle clé.
### (3) Obtenir l’ID du modèle à utiliser
Dans la place de marché des modèles de JieKou.AI, trouvez le modèle que vous souhaitez utiliser, puis copiez l’ID du modèle et l’URL de base.
* Gemini-3-pro-preview
* Gemini-2.5-pro
* Claude-sonnet-4-5
* Gpt-5.1
* Gpt-4o
Pour les autres ID de modèles, les contextes maximaux et les tarifs, consultez : [Modèles](https://jiekou.ai/models-console/library?auth_res=success\&is_reg=false)
## 2. Installer DeepSearcher
Pour le guide d’installation détaillé, consultez : [https://github.com/zilliztech/deep-searcher](https://github.com/zilliztech/deep-searcher)
(1) Cloner le dépôt
```
git clone https://github.com/zilliztech/deep-searcher.git
cd deep-searcher
```
(2) Créer un environnement virtuel et l’activer
```
#MAKE SURE the python version is greater than or equal to 3.10
python3 -m venv .venv
source .venv/bin/activate
```
(3) Installer les dépendances
```
pip install -e .
```
## 3. Modifier l’exemple de code pour intégrer le modèle JieKou.AI
L’exemple de code se trouve dans `examples/basic_example.py`. Vous pouvez utiliser cet exemple pour exécuter DeepSearcher.
(1) Configurer l’API Key
Définissez l’API Key que vous venez d’obtenir dans la variable d’environnement locale `JIEKOU_API_KEY`.
```
export JIEKOU_API_KEY="YOUR_JIEKOU_API_KEY"
```
(2) Configurer le LLM et le modèle d’embeddings
Ajoutez le code suivant après la ligne `config = Configuration()` dans l’exemple de code
```
config.set_provider_config("llm", "JiekouAI", {"model": "claude-sonnet-4-5-20250929"})
config.set_provider_config("embedding", "JiekouAIEmbedding", {"model": "qwen/qwen3-embedding-8b"})
```
(3) Configurer le chemin du fichier à rechercher et le prompt
Chargez les fichiers depuis le chemin local spécifié et stockez leur contenu dans la collection. Modifiez le code à l’endroit où `load_from_local_files` est appelé. Vous pouvez utiliser le fichier `examples/data/WhatisMilvus.pdf` fourni par le projet, ou utiliser vos propres fichiers. Si vous souhaitez supprimer et recréer cette collection lors de l’exécution, vous pouvez définir `force_new_collection` sur `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) Exécuter l’exemple de code depuis le répertoire racine du projet :
```
python examples/basic_example.py
```