本文旨在指导您如何快速部署并使用 DeepSearch，包括开通服务、导入测试数据、深度检索等。
流程解读
DeepSearch 服务的完整使用流程包括：登录控制台开通服务后，获取连接凭据（包括 Endpoint、API Key 和服务 ID），便可通过 HTTP 接口或 Python SDK 进行深度检索体验。
准备工作
已注册腾讯云账号并完成实名认证。
如需注册腾讯云账号：请单击 注册腾讯云账号。
如需完成实名认证：请单击 实名认证。
申请一台与 DeepSearch 服务在同一地域（目前仅开放广州）的云服务器，并确保该服务器与 DeepSearch 网络互通，以获得安全且低延迟的访问体验。
操作步骤
步骤1：开通 DeepSearch 服务
1. 使用腾讯云账号登录 DeepSearch 控制台 页面，配置 DeepSearch 的基本信息，并关联向量数据库实例。若无向量数据库，请根据页面指引，新建向量数据库。具体操作，请参见 新建 DeepSearch。
2. 获取连接凭据：在 DeepSearch 服务列表页面，可看到新建的 DeepSearch 卡片，如下图所示。
DeepSearch ID：将鼠标悬停在 ID 上，单击 ID 可一键复制 DeepSearch ID。
访问地址及密钥：单击卡片，可在服务概览的 API 接入区域获取 DeepSearch 访问地址与访问密钥。
步骤2：准备测试数据
方式1：使用已有库表数据进行深度检索。
说明：
其集合中需要包含检索对应的文本字段，深度检索需要基于原始文本进行匹配、评估。
方式2：使用 Demo 数据进行深度检索。
python batch_upload_files.py \\--vdb_url http://{访问域名}:{端口} \\--vdb_key {访问密钥} \\--user_name root \\--db_name {数据库名称} \\--coll_name {集合名称} \\--data_dir {数据文件夹路径}
方式2：基于已有的向量数据库深度检索，其集合中需要包含检索对应的文本字段，深度检索需要基于原始文本进行匹配、评估。
步骤3：使用 DeepSearch 深度检索
以“怎么配置向量数据库的数据自动删除”为例，通过申请的 CVM 连接并调用 DeepSearch 服务后，依托“Query 拆分→检索→重排序→结果评估”的迭代机制，经过两轮检索优化，最终返回了与用户意图高度匹配的精准答案。
Authorization：配置 DeepSearch 访问密钥。
x-tdai-service-id：配置 DeepSearch ID。
curl -i -k -X POST \\-H 'Content-Type: application/json' \\-H 'Authorization: Bearer *****************************************' \\-H "x-tdai-service-id: tdai-dps-9f3w****" \\https://deepsearch.tdai.tencentyun.com/deepsearch/v1/deep_search \\-d '{"database": "dps_test_db","collection": "dps_test_coll","search": {"query": "怎么配置向量数据库的数据自动删除","query_preprocessing": {"method": "sub_query_split"},"retrieval_config": {"mode": "dense","limit": 3,"retrieval_params": {"ef": 200}},"rerank": {"rerank_model": "bge-reranker-large"},"evaluate_config": {"max_iterations": 3},"limit": 3,"return_execution_details": true}}'
基于测试数据集，深度检索的结果如下所示。
{"id": "1409808654987071492","score": 0.98535156,"text": "## 适用场景\\n\\n某些业务场景下，业务数据的增长很快，并且业务数据的热度随着时间推移会有明显的降低，可以使用 TTL 将热度降低的数据在特定的过期时间时自动清理。例如：在电子商务平台中，用户搜索和浏览行为产生的向量数据，如点击流和用户偏好向量，通常具有很高的时效性。这些数据在短期内对于个性化推荐至关重要，但随着时间的推移，其相关性会迅速降低。在向量数据库集合中，设置TTL，便会自动删除过时的用户行为数据，确保推荐系统能够基于最新的用户互动提供实时、相关的推荐，从而提升用户体验和业务效率。\\n\\n"},{"id": "1409808654987071491","score": 0.46704102,"text": "## 功能介绍\\n\\nTTL（Time to Live，生存周期）功能，指数据项从创建或更新后开始，到自动被系统删除的时间期限。在创建数据库集合时，通过为文档设置TTL，数据库能够自动清理过期的数据，从而优化存储空间的使用，保持数据的时效性，并确保查询结果的准确性，特别是在数据具有时效性要求的场景中，如实时推荐系统等。\\n\\n"},{"id": "1409808654987071496","score": 0.27807617,"text": " .withTtlConfig(TTLConfig.newBuilder().WithEnable(true).WithTimeField(\\"expired_at\\").build())\\n .build();\\n Collection collection = db.createCollection(collectionParam);\\n ```\\n2. 插入向量数据时，指定 TTL 字段 expired_at 过期时间。\\n \\n\\n > **说明：**\\n > \\n\\n > 数据库插入数据，过期时间允许有1个小时的误差。\\n > \\n\\n ``` java\\n"}
