Pular para o conteúdo principal
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 
git clone https://github.com/zilliztech/deep-searcher.git
cd deep-searcher
(2) Criar um ambiente virtual e ativá-lo 
#MAKE SURE the python version is greater than or equal to 3.10
python3 -m venv .venv
source .venv/bin/activate
(3) Instalar as dependências 
pip install -e .

​
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. 
export JIEKOU_API_KEY="YOUR_JIEKOU_API_KEY"
(2) Configurar os modelos de LLM e Embedding Adicione o código após a linha config = Configuration() no código de exemplo 
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 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 
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) Execute o código de exemplo no diretório raiz do projeto: 
python examples/basic_example.py