Skip to main content
O DeepSearcher combina LLMs de ponta (OpenAI o1, o3-mini, DeepSeek, Grok 3, Claude 4 Sonnet, Llama 4, QwQ etc.) com bancos de dados vetoriais (Milvus, Zilliz Cloud etc.) para executar pesquisa, avaliação e raciocínio com base em dados privados, fornecendo respostas altamente precisas e relatórios abrangentes. Ideal para: gestão de conhecimento corporativo, sistemas inteligentes de perguntas e respostas e cenários de recuperação de informações. Imagem de exemplo 1

1. Obter as informações de configuração da JieKou.AI

(1) Registrar-se e obter uma chave de API

Registre-se e faça login na JieKou.AI. Ao se registrar, insira o código de convite【YGHNZ0】para receber um bônus de registro de $2. Imagem de exemplo 2 Abra a página de gerenciamento【API key】, clique no botão de adicionar, insira um nome personalizado para a chave e gere a chave de API. Imagem de exemplo 3 Imagem de exemplo 4

(2) Gerar e salvar a chave de API

!Atenção: a chave é armazenada criptografada no servidor e não poderá ser visualizada novamente após a criação. Guarde-a em um local seguro; se ela for perdida, será necessário excluí-la no console e criar uma nova chave. Imagem de exemplo 5

(3) Obter o ID do modelo que será usado

No Model Square da JieKou.AI, encontre o modelo que deseja usar e copie o ID do modelo e a URL base. Imagem de exemplo 6
  • Gemini-3-pro-preview
  • Gemini-2.5-pro
  • Claude-sonnet-4-5
  • Gpt-5.1
  • Gpt-4o
Para outros IDs de modelo, contexto máximo e preços, consulte: Model Square

2. Instalar o DeepSearcher

Consulte o guia de instalação detalhado em: https://github.com/zilliztech/deep-searcher (1) Clonar o repositório
(2) Criar um ambiente virtual e ativá-lo
(3) Instalar as dependências

3. Modificar o código de exemplo para integrar os modelos da JieKou.AI

O código de exemplo está localizado em examples/basic_example.py. Você pode usar este exemplo para executar o DeepSearcher. (1) Configurar a API Key Defina a API Key que você acabou de obter na variável de ambiente local JIEKOU_API_KEY.
(2) Configurar os modelos de LLM e Embedding Adicione o código após a linha config = Configuration() no código de exemplo
(3) Configurar o caminho do arquivo a ser recuperado e o prompt Carregue o arquivo a partir do caminho local especificado e armazene seu conteúdo na coleção. Modifique o código onde load_from_local_files é chamado. Você pode usar o arquivo examples/data/WhatisMilvus.pdf fornecido pelo projeto ou usar seu próprio arquivo. Se quiser excluir e recriar essa coleção durante a execução, defina force_new_collection como True
(4) Execute o código de exemplo no diretório raiz do projeto: