DeepCerebra Coder ist ein agentischer Programmierassistent. Im Gegensatz zu einem einfachen Autocomplete-Copiloten plant, schreibt, refaktoriert, führt Befehle aus, ruft Tools auf und iteriert über Ihr gesamtes Projekt – wobei Sie die vorgeschlagenen Änderungen überprüfen und genehmigen.
| Edition | Am besten geeignet für | Dateizugriff |
|---|---|---|
| Web-App | Keine Installation, von jedem Rechner aus arbeiten | Vertraulicher In-Browser-Speicher (und Git-Repos) |
| Desktop (Windows / Linux / macOS) | Lokale Entwicklung, lokale Modelle | Direktes lokales Dateisystem |
| CLI & API | Skripting, CI/CD, Automatisierung | Lokale Dateien / programmatisch |
Dieses Handbuch konzentriert sich auf die Web-App unter deepcerebra.ai; die Desktop-App spiegelt dieselben Panels und Workflows wider.
Verwenden Sie eine aktuelle Version von Chrome, Edge oder Brave für das volle Erlebnis – das Öffnen eines lokalen Ordners basiert auf der Chromium File System Access API. Firefox und Safari funktionieren für den Chat und für Git-basierte Projekte, können aber einen lokalen Ordner nicht direkt öffnen.
/register?plan=basic (oder pro / ultimate) besuchen, oder jetzt starten und später in Abrechnung einen Plan auswählen.Nach der Anmeldung landen Sie in der Workbench, die alle Bereiche auf einem Bildschirm zusammenfasst:
Ziehen Sie den Teiler zwischen Editor und Chat, um das Layout neu auszurichten, und ziehen Sie den horizontalen Teiler, um das Terminal zu vergrößern. Die linke Seitenleiste navigiert auch zu Arbeitsbereich, Erweiterungen, API-Schlüssel, Abrechnung und Feedback.
repo-Scope (klassisch) oder ein fein abgestuftes Token mit Contents + Pull requests; für
GitLab verwenden Sie den api-Scope. Ihr Token wird auf dem Server gespeichert – nur Dateiinhalte werden in den Browser geladen.owner/name ein (filtern Sie die Liste, um Ihres zu finden), und wählen Sie dann einen
Branch.dcc/my-feature), um Ihre
Arbeit vom Standard-Branch isoliert zu halten.Der Chatverlauf ist an das geöffnete Projekt gebunden. Das Wechseln von Ordnern startet automatisch eine neue Sitzung und lädt die vorherigen Sitzungen dieses Ordners neu, wobei die aktuellste wieder geöffnet wird, damit Sie dort fortfahren können, wo Sie aufgehört haben.
Ordner, die DeepCerebra intern verwendet – .deepcerebra, .sessions – erscheinen im Baum, sind aber standardmäßig eingeklappt, damit sie Ihren Quellcode nicht überladen.
Beschreiben Sie, was Sie möchten, in einfacher Sprache – stellen Sie eine Frage, fordern Sie eine Funktion an oder weisen Sie auf einen Fehler hin. Seien Sie spezifisch bezüglich Dateien, Frameworks und Einschränkungen, um das beste Ergebnis zu erzielen. Hängen Sie relevante Dateien an, indem Sie sie in die Eingabeaufforderung ziehen.
Antworten sind wie bei Cursor organisiert: Die Argumentation des Agenten ist vom Ergebnis getrennt. Jeder Antwortblock hat ein Kopiersymbol in der oberen rechten Ecke, sodass Sie einen fertigen Bericht, ein Dokument oder einen Befehl, den Sie ausführen sollen, kopieren können.
lxml anstelle von html.parser"), um den Agenten aus einer Schleife zu befreien.@deepcerebra auf, und Präfixe wie [deep] fordern eine tiefere Argumentation an.Wählen Sie einen Modus aus dem Modus-Selektor neben der Eingabeaufforderung. Jeder Modus passt an, wie viel der Agent plant und wie frei er bearbeitet:
| Modus | Was er tut | Verwenden Sie, wenn… |
|---|---|---|
| Agent | Plant und bearbeitet Ihr Projekt autonom | Sie möchten, dass der Assistent eine Änderung vollständig implementiert |
| Fragen | Beantwortet Fragen zu Ihrem Code ohne Bearbeitung | Sie den Code verstehen möchten |
| Planen | Entwirft einen Ansatz vor jeder Bearbeitung | Die Aufgabe groß ist oder zuerst Kompromisse geklärt werden müssen |
| Bearbeiten | Führt fokussierte Bearbeitungen im aktuellen Kontext durch | Sie eine kleine, gezielte Änderung wünschen |
Wenn der Agent Dateiänderungen vorschlägt, erscheint über der Chat-Eingabe ein Panel Vorgeschlagene Änderungen, das jede betroffene Datei mit hinzugefügten (+) und entfernten (−) Zeilenzahlen auflistet.
applied markiert (und · disk, wenn sie in einen echten Ordner geschrieben werden).Schalten Sie das Terminal unter dem Editor um, um Builds, Tests und Skripte auszuführen. Mit Ihrer Autorisierung kann der Agent Befehle ausführen und deren Ausgabe lesen, um seine Arbeit zu überprüfen; lang laufende Befehle streamen die Ausgabe, sodass Sie den Fortschritt beobachten können. Schließen Sie das Terminal über seinen Header, wenn Sie es nicht benötigen.
Für größere Ziele verwenden Sie den Plan-Modus (oder bitten Sie den Agenten, zuerst zu planen). Der Planer scannt Ihr Projekt, zerlegt das Ziel in abhängigkeitsbewusste Aufgaben und weist jede dem richtigen Spezialisten zu (Architekt, Programmierer, Tester, Dokumentation).
Öffnen Sie den Modell-Selektor neben der Eingabeaufforderung. Optionen sind gruppiert als:
Bei Auto verwendet DeepCerebra ein gestuftes, adaptives Routing: Einfache Aufgaben werden an ein schnelles, wirtschaftliches Modell weitergeleitet, während komplexe oder planungsintensive Arbeiten (z.B. der Plan-Modus) an ein stärkeres Modell geleitet werden. Dies gleicht Kosten und Qualität automatisch aus, sodass Sie selten manuell auswählen müssen.
Sie können Anfragen über Ihr eigenes Anbieterkonto leiten, anstatt die gemessene Plattformnutzung zu verwenden.
ANTHROPIC_API_KEY,
GOOGLE_API_KEY, OPENAI_API_KEY).Plattform-Modelle (DeepCerebra) benötigen keinen Schlüssel. Entfernen Sie einen Schlüssel jederzeit mit Entfernen.
Die DCC Bridge verbindet Ihren eigenen Computer über einen kleinen
dcc-bridge-Konnektor mit der Web-App und schaltet gleichzeitig zwei Funktionen frei:
Der Konnektor wählt sich ausgehend über einen authentifizierten WebSocket ein – keine eingehenden Ports erforderlich, und er funktioniert hinter NAT und Firewalls. Er läuft unter Windows, macOS und Linux (Python 3.10+).
dcc_brg_…)
und den bereitstehenden Konnektor-Befehl – das Token wird genau einmal angezeigt.pip install git+https://github.com/mohammadkhair7/DeepCerebra-connector
# dann den von der Kopplungskarte kopierten Befehl ausführen, z.B.:
python -m dcc_bridge --gateway wss://deepcerebra.ai --token dcc_brg_xxxxxwss://deepcerebra.ai oder wss://deepcerebra.io) – die Kopplungskarte füllt die
richtige vorab aus. Die beiden Sites sind separate Bereitstellungen mit separaten Konten und Tokens.1234) mit einem geladenen Modell.Standardmäßig sind Befehle auf einen dedizierten Arbeitsbereichsordner (~/DeepCerebra) beschränkt. Um in
Ihren echten Projektordnern mit Ihren vorkonfigurierten CLIs zu arbeiten, erteilen Sie diese explizit beim Starten des Konnektors:
# einen oder mehrere echte Ordner gewähren (wiederholbar)
python -m dcc_bridge --gateway wss://deepcerebra.ai --token dcc_brg_xxxxx --host-dir "F:\MyProjects"
# oder den gesamten Rechner (gibt eine Warnung aus; --host-dir bevorzugen)
python -m dcc_bridge ... --allow-any-dirÖffnen Sie dann das Panel Terminal, klicken Sie auf das Popover Ausführungsziel (Laptop-Symbol), wählen Sie Mein Computer und wählen Sie ein Arbeitsverzeichnis. Sowohl Ihre eingegebenen Befehle als auch die Build-/Testbefehle des Agenten werden dann auf Ihrem Rechner ausgeführt.
--no-exec macht ein Gerät nur für Inferenz (GPU-Modelle, keine Befehle).Wenn ein Git-basiertes Projekt geöffnet ist, erscheint im Explorer eine Branch-Leiste, die Ihren aktuellen Branch und zwei Aktionen anzeigt:
main). Sie müssen sich auf einem Arbeits-Branch befinden, nicht auf dem Standard-Branch.Wenn der Push-Webhook aktiviert ist, aktualisiert sich der Explorer automatisch, wenn Teamkollegen pushen, wodurch alle synchron bleiben – die Grundlage für die kollaborative Teamentwicklung durch DeepCerebra.
Erweitern Sie den Agenten mit externen Tools und Daten über das Model Context Protocol. Konfigurieren Sie
Server in einer .deepcerebra/mcp.json-Datei, zum Beispiel:
{
"mcpServers": {
"my-tools": {
"url": "https://example.com/mcp",
"disabled": false,
"allowlist": ["search_issues", "get_pr"],
"autoApprove": ["create_issue"],
"auth": { "type": "bearer", "tokenEnv": "MY_TOKEN" }
}
}
}Aktivierte MCP-Tools werden dem Agenten automatisch zur Verfügung gestellt, wenn sie für Ihre Anfrage relevant sind. Lokale
(stdio) und entfernte (http/sse) Server werden beide unterstützt.
allowlist auflistet, können nur diese Tools ausgeführt werden.autoApprove.Wenn ein Server MCP-Ressourcen oder Prompt-Vorlagen bereitstellt, erhält der Agent
automatisch Tools, um diese zu verwenden (mcp_list_resources, mcp_read_resource,
mcp_list_prompts, mcp_get_prompt).
Fügen Sie einem Remote-Server einen auth-Block hinzu. Geheimnisse unterstützen die ${ENV_VAR}-Interpolation:
// Statisches Bearer-Token (literal oder aus Umgebungsvariable)
"auth": { "type": "bearer", "token": "${GITHUB_TOKEN}" }
"auth": { "type": "bearer", "tokenEnv": "GITHUB_TOKEN" }
// Benutzerdefinierter Header (z.B. API-Schlüssel)
"auth": { "type": "header", "header": "x-api-key", "value": "${MY_KEY}" }
// OAuth 2.0 Client-Anmeldeinformationen
"auth": {
"type": "oauth", "grant": "client_credentials",
"tokenUrl": "https://auth.example.com/oauth/token",
"clientId": "${MCP_CLIENT_ID}", "clientSecret": "${MCP_CLIENT_SECRET}",
"scope": "mcp.read mcp.write"
}Sie können die Denk- und Handlungsweise des Agenten mit einer einzigen, dateibasierten Konvention – dem
.deepcerebra/-Verzeichnis – gestalten, die in der Desktop-App, der
Web-App und der API identisch funktioniert. In der Web-App verwalten Sie all dies unter der
Ansicht Agent; auf dem Desktop und über die API sind es einfache Dateien, die Sie mit Ihrem Projekt committen.
Die Konfiguration wird aus mehreren Geltungsbereichen ermittelt; wenn dasselbe Element in mehr als einem existiert, gewinnt das mit höherer Präzedenz:
team/org < global (~/.deepcerebra) < workspace (<repo>/.deepcerebra)
(niedrigste) (höchste)<repo>/.deepcerebra/…, mit dem Projekt committed.~/.deepcerebra/…, Ihre persönlichen Standardeinstellungen projektübergreifend.Regeln sind persistente Anweisungen – Codierungsstandards, Architekturkonventionen, Domänenkontext –, die in den
System-Prompt des Agenten injiziert werden. Sie liegen als Markdown-Dateien unter .deepcerebra/steering/ vor,
zusätzlich zum immer aktiven AGENTS.md-Standard. Frontmatter steuert, wann eine Regel geladen wird:
---
inclusion: fileMatch # always | fileMatch | auto | manual
globs: "src/**/*.ts" # or fileMatchPattern
name: api-design
description: REST conventions
---
# API design
- Use REST resource nouns, plural.always — jede Runde (Standard).fileMatch — nur wenn eine im Kontext befindliche Datei mit globs übereinstimmt.auto — wenn Ihre Anfrage dem name/description der Regel entspricht.manual — nur wenn Sie sie als #name oder /name referenzieren.Ein Stamm-AGENTS.md gilt repo-weit; ein verschachteltes AGENTS.md (z.B.
services/api/AGENTS.md) gilt nur für Dateien unter diesem Ordner. In der Web-App bietet die
Agent → Steuerung-Ansicht jeder Regel einen Geltungsbereich-Selektor
(Global / Projekt / Team).
Skills sind wiederverwendbare Playbooks, die der Agent bei Bedarf lädt. Jeder Skill ist ein Ordner mit einer
SKILL.md unter .deepcerebra/skills/:
---
name: deploy-release
description: How to cut and publish a versioned release.
disable-model-invocation: false # true => manual-only (/skill)
---
# Deploy a release
1. Bump the version, build, and test.
2. Tag and publish.Der Agent sieht einen schlanken Katalog (Name + Beschreibung) und zieht den vollständigen Inhalt mit dem
Tool load_skill herein, wenn relevant. Sie können einen Skill auch explizit mit
/skill <name> aufrufen. Setzen Sie disable-model-invocation: true, um einen Skill nur manuell nutzbar zu machen.
Hooks führen Automatisierungen bei Lebenszyklusereignissen aus. Definieren Sie sie als .deepcerebra/hooks/*.hook.json:
{
"title": "Format on save",
"event": "fileSave",
"filePattern": ["**/*.ts"],
"action": { "type": "shell", "command": "npm run lint:fix -- $FILE" },
"enabled": true
}Ereignisse umfassen promptSubmit, preToolUse, postToolUse,
fileCreate, fileSave, fileDelete, preTask,
postTask, sessionStart, preCompact und agentStop
(Cursor/Claude-Schreibweisen werden ebenfalls akzeptiert). Eine Aktion ist entweder shell (einen Befehl ausführen) oder
agentPrompt (den Agenten fragen). Ein preToolUse-Hook kann den abgefangenen Tool-Aufruf erlauben,
verweigern oder fragen.
Subagenten sind spezialisierte Agenten, die Sie definieren und delegieren. Jeder ist eine Markdown-Datei unter
.deepcerebra/agents/ mit Frontmatter plus einem Hauptteil (seinem System-Prompt):
---
name: security-reviewer
description: Audits a diff for security issues; read-only.
model: gpt-5
readonly: true
tools: [read_file, grep_files, list_directory]
background: false
---
You are a meticulous security reviewer…Der Hauptagent delegiert mit task (blockierend), task_async +
task_status / task_result (Hintergrund) oder task_parallel (Fan-out).
Ein Plugin bündelt Regeln, Skills, Hooks, Subagenten und MCP-Server in einem installierbaren Paket unter
.deepcerebra/plugins/<name>/, beschrieben durch ein plugin.json-Manifest:
{
"name": "Acme Standards",
"version": "1.2.0",
"description": "Acme rules + skills + review agents.",
"enabled": true
}Plugin-Inhalte werden mit der niedrigsten Präzedenz zusammengeführt, sodass Ihre eigenen Regeln und Skills immer die eines Plugins überschreiben.
Deaktivieren Sie ein Plugin mit "enabled": false oder einer .disabled-Markerdatei.
DCC_ORG_CONFIG_DIR auf ein freigegebenes .deepcerebra-Verzeichnis verweist oder indem es Regeln in der
Web-App auf den Team-Geltungsbereich setzt.Das Workflow Studio ist ein visueller Designer für die Multi-Agenten-Automatisierung. Sie komponieren Stufen – jede ein Agent, ein Spezialistenschritt oder ein Kontrollprimitiv – zu einem Graphen, verbinden sie mit Abhängigkeiten und führen die gesamte Orchestrierung auf der Engine mit Live-Fortschritt pro Stufe, Budgets und menschlichen Genehmigungstoren aus. Workflows werden als portable YAML/JSON-Definition gespeichert, die Sie exportieren, importieren, in Git versionieren und über die API oder CLI ausführen können.
| Stufentyp | Was er tut |
|---|---|
agent | Ein Agenten-Durchlauf mit den von Ihnen angehängten Skills und Tools. |
spec.requirements / spec.design / spec.execute |
Spec-first-Lieferung: Anforderungen entwerfen, Design erstellen, dann in Aufgaben zerlegen und ausführen – jede ist gateable. |
documents.generate | Ein ausgefeiltes Dokument aus früheren Stufenausgaben erstellen. |
fan_out | Parallele, umfassende Forschung über viele Unterthemen mit Synthese. |
map / loop / switch |
Kontrollprimitive: einen Körper pro Element ausführen, wiederholen bis eine Bedingung erfüllt ist, oder über Fälle verzweigen. |
verify / browser_verify |
Tests oder Befehle in der Sandbox ausführen; eine laufende Benutzeroberfläche mit Browser-Automatisierung verifizieren. |
orchestrate | Dynamisches Routing: Ein Orchestrator-Agent liest die Anfrage und leitet sie über Ereignisse an den/die besten nachgelagerten Agenten weiter. |
external.agent | Einen registrierten Drittanbieter-Agenten über HTTP (A2A) aufrufen, als wäre es eine native Stufe. |
eval | Eine vorgelagerte Ausgabe anhand von Prüfungen bewerten (enthält / Regex / Länge / LLM-Richter); unter einem Schwellenwert fehlschlagen. |
db.provision | Eine eigene Datenschicht generieren: docker-compose für die Datenbank,
versionierte SQL-Migrationen, Seed-Daten, .env-Vorlage und ein Mermaid ERD; optionales Auth-Gerüst;
kann Migrationen sofort auf SQLite anwenden. |
ci.generate | Eine commit-fertige CI/CD-Pipeline (GitHub Actions, GitLab CI, oder Azure Pipelines) mit Lint → Test → Scan → Build → Deploy und Umgebungspromotion generieren. |
deploy.package | Produktions-Deployment-Assets generieren: mehrstufiges Dockerfile, docker-compose, Kubernetes-Manifeste oder ein Helm-Chart – Dateien, die Sie besitzen und committen. |
test.generate | Unit- / API- / E2E-Suites für die erstellte App generieren, plus eine Anforderungs-zu-Test-Rückverfolgbarkeitsmatrix. |
test.verify | Eine Testsuite (pytest, vitest, jest, Playwright) ausführen und den Lauf anhand ihrer Erfolgsrate steuern. |
security.audit | Abhängigkeiten auf bekannte Schwachstellen und den Baum auf hartcodierte Geheimnisse scannen; veröffentlicht Alarmereignisse und schreibt einen Ergebnisbericht. |
preview | Die generierte App lokal starten und ihre Live-URL im Ausführungs-Panel
(Link + Inline-Frame) über ein preview.ready-Ereignis anzeigen. |
design.import | Ein UI-Designbild (Screenshot, Mockup, Figma-Export) in eine strukturierte Implementierungsspezifikation für nachgelagerte Stufen umwandeln. |
Jede Stufe – unabhängig von ihrer Art – kann typisierte Ereignisse auf dem Workspace-Ereignisbus veröffentlichen und abonnieren, sodass Agenten wie Dienste auf einem Nachrichten-Fabric koordinieren, anstatt nur über den DAG:
lifecycle, agent,
business, data, system, schedule, chat,
external oder alert – filterbar in Abonnements und Wiedergabe.trigger (die Stufe läuft, wenn ein passendes Ereignis eintrifft; ein
Lauf mit geparkten Stufen bleibt als hörend resident), gate (ein maschinelles Gate, das durch ein
Ereignis anstelle eines menschlichen Klicks genehmigt wird), und data (die Nutzlast wird in den Kontext der
Stufe zusammengeführt).agent.<stage-id>.request veröffentlicht.triggers:-Block eines Workflows rüstet ihn aus, um bei eingehenden
Webhooks, Cron-Zeitplänen, Ereignissen oder im Chat zu starten – auch wenn das
Studio geschlossen ist.Agenten, die auf Ereignisse reagieren, können eine persistente benannte Warteschlange deklarieren, damit passende Ereignisse niemals verloren gehen, während der Agent beschäftigt ist oder bevor ein Lauf zuhört. Bei einem Trigger-Abonnement legen Sie queue: <name> fest – die Engine bindet dieses Thema an eine FIFO-Warteschlange auf dem Workspace-Ereignisbus (persistent gespeichert unter .deepcerebra/workflows/events/queues/). Jedes passende Ereignis, das ab diesem Zeitpunkt veröffentlicht wird, wird in der Warteschlange erfasst; wenn die Phase ausführbar wird, entnimmt die Engine die Ereignisse in älteste-zuerst-Reihenfolge und verbraucht sie einzeln.
count pro Abonnement — erfordert N in der Warteschlange befindliche (oder gelieferte) Ereignisse, bevor das Abonnement erfüllt ist (nützlich, wenn mehrere Worker berichten müssen).GET /api/workflow/queues listet Tiefe und Bindungen auf; GET /api/workflow/queues/{name} zeigt ausstehende Ereignisse an; Chat-Agenten können event_queue_status und pop_queued_event aufrufen.events:
subscribe:
- topic: ticket.created
mode: trigger
queue: triage-inbox # durable FIFO — events wait here for this agent
map:
payload.ticket_id: ticket_idEin Semaphor begrenzt, wie viele Aufgaben gleichzeitig auf eine gemeinsam genutzte (geschützte) Ressource zugreifen dürfen: eine Datenbank, in die geschrieben wird, ein globaler Variablenspeicher, eine Datei oder ein ratenbegrenzter externer Agent. Fügen Sie es einer beliebigen Phase mit semaphore: hinzu – bevor die Arbeit der Phase ausgeführt wird, erwirbt die Engine eine Erlaubnis des benannten Workspace-Semaphors; die Erlaubnis wird danach immer freigegeben, selbst wenn die Phase fehlschlägt. permits: 1 macht es zu einem Mutex: Nur eine Aufgabe gleichzeitig (über alle parallelen Läufe im Workspace hinweg) führt den kritischen Schritt aus; jede andere Aufgabe wartet, bis der Inhaber fertig ist.
timeout_s für eine Erlaubnis; bleibt die Ressource ausgelastet, schlägt die Phase sichtbar fehl, anstatt ewig zu hängen.ttl_s; stürzt ein Inhaber ab, ohne sie freizugeben, läuft die Erlaubnis automatisch ab, sodass die Ressource niemals blockiert ist.semaphore.<name>.waiting, .acquired und .released Systemereignisse; GET /api/workflow/semaphores zeigt Kapazität, Inhaber und verfügbare Erlaubnisse an.acquire_semaphore, release_semaphore und semaphore_status koordinieren Ad-hoc-kritische Abschnitte außerhalb eines Workflows.semaphore:
name: emr-db-writer
permits: 1 # mutex — one writer at a time
timeout_s: 300 # fail if still waiting after 5 minutes
ttl_s: 900 # auto-release crashed holders after 15 minutesRendezvous wartet, bis mehrere Ereignisbedingungen alle erfüllt sind, bevor der nächste Schritt fortgesetzt wird – das Gegenteil von „erstes Ereignis gewinnt“. Setzen Sie join: all im events:-Block der Phase: Jedes Trigger-Abonnement muss erfüllt sein, bevor die Phase ausgeführt wird. Kombinieren Sie dies mit count: N pro Abonnement, wenn mehrere Agenten (oder mehrere Berichte von einem Agenten) alle einchecken müssen – zum Beispiel Design-Freigabe, Testabschluss und Sicherheitsfreigabe, bevor eine Release-Phase ausgeführt wird.
join: any (Standard) — die Phase wird ausgeführt, wenn das erste Trigger-Abonnement erfüllt ist.join: all — Rendezvous: jedes Trigger-Abonnement (jedes mit eigenem Thema, Klassenfilter und optionalem count) muss erfüllt sein; erst dann wird die Phase ausführbar.trigger_events aufgezeichnet und Vorlagen als inputs.events (eine Liste von Ereignisobjekten mit Payloads) zur Verfügung gestellt.events:
join: all # rendezvous — wait for EVERY subscription below
subscribe:
- topic: design.approved
mode: trigger
- topic: tests.passed
mode: trigger
- topic: security.cleared
mode: trigger
count: 1Stufen wählen Tools aus demselben Register, das der Chat-Agent verwendet:
create_database, apply_migrations und dump_schema für eigene Datenschichten.docker_build / docker_push, Compose up/down, SSH- und
Cloud-CLI-Bereitstellungen (Fly, Render, Railway, Vercel), ebenfalls simulationssicher.Class.method) in Mathematik, Signalverarbeitung, Steuerung, Statistik und mehr./v1 API stellt Läufe, Ereignisse, Trigger, Vorlagen und Generierung für CI und Integrationen bereit.db.provision → Implementierung → generierte Tests → Sicherheitsaudit → Bereitstellungspaketierung →
CI-Generierung, mit einem menschlichen Gate vor der Paketierung – ein vollständiger Weg vom Briefing zur Produktion, den Sie in
wenigen Minuten anpassen können.Die prädiktive Tab-Vervollständigung bietet Inline-Code-Vorschläge zum Ausfüllen während der Eingabe im Editor – akzeptieren Sie einen Vorschlag mit Tab. Sie ist sowohl für die Engine als auch für den Web-Editor opt-in.
DCC_TAB_COMPLETE=1. Der Editor ruft den
POST /api/complete-Endpunkt der Engine auf, der nur den Text zurückgibt, der am Cursor eingefügt werden soll.VITE_TAB_COMPLETE=1 oder zur Laufzeit mit
localStorage.setItem('dcc.tabComplete', '1') (dann neu laden).Öffnen Sie Abrechnung in der Seitenleiste, um Ihren Plan und Ihre Nutzung zu verwalten. Die KI-Nutzung wird in US-Dollar-Guthaben basierend auf den von den zugrunde liegenden Modellen verbrauchten Tokens gemessen.
| Plan | Monatlicher Preis | Inkludierte monatliche KI-Nutzung |
|---|---|---|
| Basic | $20 | $10 |
| Pro | $75 | $30 |
| Ultimate | $200 | $150 |
Ein Gateway API-Schlüssel (ein persönliches Zugriffstoken) ermöglicht Ihnen die programmatische Nutzung der öffentlichen DeepCerebra API und CLI.
read, chat, code, agent
— und ein optionales Ablaufdatum in Tagen (leer = nie).Verwenden Sie ihn mit der CLI oder der API unter deepcerebra.ai:
dcc config set endpoint https://deepcerebra.ai
dcc config set api-key <your-key>
# or as a Bearer token
curl -H "Authorization: Bearer <your-key>" https://deepcerebra.ai/v1/...Sie können einen Schlüssel jederzeit umbenennen oder löschen (widerrufen); jeder Schlüssel zeigt sein Präfix, Scopes, Erstellungs-/Ablaufdatum und das Datum der letzten Verwendung.
Wechseln Sie zu Chrome, Edge oder Brave, oder verwenden Sie stattdessen Aus Git öffnen.
Klicken Sie auf Stopp und formulieren Sie dann mit einem konkreten Hinweis oder einer Einschränkung neu.
dcc-bridge-Konnektor läuft und das Gerät als online angezeigt wird.1234) und ein
Modell geladen ist.--gateway
(wss://deepcerebra.ai oder wss://deepcerebra.io) – die beiden Sites sind separate
Bereitstellungen, und ein Token von einer funktioniert niemals auf der anderen.Öffnen oder erstellen Sie einen Arbeits-Branch, bevor Sie Integrieren verwenden, um einen Pull Request zu öffnen.
Immer noch Probleme? Kontaktieren Sie support@deepcerebra.ai.
Discovery ist ein investigativer Chatbot für Ihre Datenbanken und Dokumente.
Anstatt mit einer einzigen Abfrage zu antworten, arbeitet es wie ein Analyst: Es bildet Hypothesen,
führt eine Reihe von geschützten Sonden (SQL, Graph, Dokumentensuche, Schema-Prüfungen, Web-Bestätigung) durch, eliminiert
Erklärungen, die durch Beweise widerlegt werden, und synthetisiert eine fundierte Antwort — mit Diagrammen und einer
transparenten Kostenübersicht. Öffnen Sie es über das Kompass-Symbol in der Aktivitätsleiste
(/app/discovery).
Ein Space bündelt alles, was eine Fragestellung benötigt: Datenbankverbindungen, Dokumentsammlungen, Anweisungen für den Analysten und Budgets. Erstellen Sie einen mit + Neuer Space und verwenden Sie dann das Einrichtungsfeld auf der rechten Seite, um:
Geben Sie eine Frage so ein, wie Sie sie einem Kollegen stellen würden — zum Beispiel „Warum ist das MRT-Scan-Volumen im März gesunken?“. Das Untersuchungsboard streamt den gesamten Prozess live:
Folgefragen setzen denselben Gesprächsverlauf fort, sodass der Analyst seinen Kontext beibehält.
Diagramme werden inline auf dem Untersuchungsboard gerendert. Verwenden Sie Exportieren, um die vollständige Anfrage — die Antwort, Hypothesen, Beweise und Diagramme — als eigenständigen HTML-Bericht oder als druckfähiges PDF herunterzuladen, gestaltet mit dem Neon-Designsystem.
Jeder Space verfügt über Budgets pro Anfrage: eine maximale Anzahl von Sonden, Untersuchungsrunden, Sekunden und USD. Die Engine stoppt sauber bei Erreichen der Obergrenze und meldet, was sie bisher gefunden hat. Die Kosten jeder Sonde sind auf dem Beleg detailliert aufgeführt, sodass Sie immer wissen, wohin die Ausgaben geflossen sind.
/v1/discovery/* mit einem
PAT verfügbar, der den discovery-Bereich trägt (erstellen Sie ihn unter Konto → API-Tokens).
Streaming-Anfragen verwenden SSE. Externe Ausführer können die investigative Planung über die Thinking API
(/v1/think/*, Bereich think) ausleihen.pip install deepcerebra-discovery, dann
DiscoveryClient(base_url, token).ask(space_id, question).discovery.ask) in einen beliebigen Workflow, um eine Untersuchung als Pipelineschritt auszuführen; die Antwort,
Diagramme und der Beleg fließen zu nachgelagerten Phasen.discovery_ask und
discovery_list_spaces als MCP-Tools bereit, sodass externe MCP-Clients ebenfalls Untersuchungen durchführen können.