> ## 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 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](https://jiekou.ai/models-console/library?auth_res=success\&is_reg=false) ## 2. Instalar o DeepSearcher Consulte o guia de instalação detalhado em: [https://github.com/zilliztech/deep-searcher](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 ```