DeepCerebra Coder es un asistente de codificación agéntico. A diferencia de un copiloto de autocompletado simple, planifica, escribe, refactoriza, ejecuta comandos, llama a herramientas e itera en todo tu proyecto — contigo revisando y aprobando los cambios que propone.
| Edición | Ideal para | Acceso a archivos |
|---|---|---|
| Aplicación web | Sin instalación, trabaja desde cualquier máquina | Almacenamiento confidencial en el navegador (y repositorios Git) |
| Escritorio (Windows / Linux / macOS) | Desarrollo local, modelos locales | Sistema de archivos local directo |
| CLI y API | Scripting, CI/CD, automatización | Archivos locales / programático |
Esta guía se centra en la aplicación web en deepcerebra.ai; la aplicación de escritorio refleja los mismos paneles y flujos de trabajo.
Usa una versión actual de Chrome, Edge o Brave para una experiencia completa — abrir una carpeta local depende de la API de acceso al sistema de archivos de Chromium. Firefox y Safari funcionan para el chat y para proyectos respaldados por Git, pero no pueden abrir una carpeta local directamente.
/register?plan=basic (o pro / ultimate), o empezar ahora y elegir un plan
más tarde en Facturación.Después de iniciar sesión, aterrizarás en el entorno de trabajo, que agrupa todos los paneles en una sola pantalla:
Arrastra el divisor entre el editor y el chat para reequilibrar el diseño, y arrastra el divisor horizontal para cambiar el tamaño del terminal. La barra lateral izquierda también permite navegar a Espacio de trabajo, Extensiones, Claves API, Facturación y Comentarios.
repo (clásico) o un token de grano fino con Contenidos + Solicitudes de extracción; para
GitLab, usa el ámbito api. Tu token se almacena en el servidor — solo el contenido de los archivos se extrae
al navegador.owner/name (filtra la lista para encontrar el tuyo), luego elige una
rama.dcc/my-feature) para mantener tu
trabajo aislado de la rama predeterminada.El historial de chat está vinculado al proyecto abierto. Cambiar de carpeta inicia automáticamente una nueva sesión y carga las sesiones anteriores de esa carpeta, reabriendo la más reciente para que puedas continuar donde lo dejaste.
Las carpetas que DeepCerebra usa internamente — .deepcerebra, .sessions — aparecen en el árbol
pero están colapsadas por defecto para no saturar tu código fuente.
Describe lo que quieres en lenguaje sencillo — haz una pregunta, solicita una característica o señala un error. Sé específico sobre archivos, frameworks y restricciones para obtener el mejor resultado. Adjunta archivos relevantes arrastrándolos al cuadro de chat.
Las respuestas se organizan como en Cursor: el razonamiento del agente se separa del entregable. Cada bloque de respuesta tiene un icono de copiar en su esquina superior derecha para que puedas copiar un informe terminado, un documento o un comando que debas ejecutar.
lxml en lugar de html.parser") para sacar al agente de un bucle.@deepcerebra, y prefijos como [deep] solicitan un razonamiento más profundo.Elige un modo del selector de modos junto al cuadro de chat. Cada uno ajusta cuánto planifica el agente y con qué libertad edita:
| Modo | Qué hace | Usar cuando… |
|---|---|---|
| Agente | Planifica y edita en todo tu proyecto de forma autónoma | Quieres que el asistente implemente un cambio de principio a fin |
| Preguntar | Responde preguntas sobre tu código sin editar | Quieres entender la base de código |
| Planificar | Elabora un enfoque antes de cualquier edición | La tarea es grande o tiene compensaciones que resolver primero |
| Editar | Realiza ediciones enfocadas en el contexto actual | Quieres un cambio pequeño y específico |
Cuando el agente propone cambios en los archivos, aparece un panel de Cambios Propuestos encima de la entrada del chat, listando cada archivo modificado con el recuento de líneas añadidas (+) y eliminadas (−).
aplicados (y · disco cuando se escriben en una carpeta real).Activa el terminal debajo del editor para ejecutar compilaciones, pruebas y scripts. Con tu autorización, el agente puede ejecutar comandos y leer su salida para verificar su trabajo; los comandos de larga duración transmiten la salida para que puedas observar el progreso. Cierra el terminal desde su encabezado cuando no lo necesites.
Para objetivos más grandes, usa el modo Plan (o pide al agente que planifique primero). El planificador escanea tu proyecto, descompone el objetivo en tareas conscientes de las dependencias y asigna cada una al especialista adecuado (arquitecto, codificador, probador, documentación).
Abre el selector de modelos junto al cuadro de chat. Las opciones se agrupan como:
En Automático, DeepCerebra utiliza un enrutamiento adaptativo por niveles: las tareas simples van a un modelo rápido y económico, mientras que el trabajo complejo o que requiere mucha planificación (por ejemplo, el modo Plan) se enruta a un modelo más potente. Esto equilibra el costo y la calidad automáticamente, por lo que rara vez necesitarás elegir manualmente.
Puedes enrutar las solicitudes a través de tu propia cuenta de proveedor en lugar de usar el consumo medido de la plataforma.
ANTHROPIC_API_KEY,
GOOGLE_API_KEY, OPENAI_API_KEY).Los modelos de plataforma (DeepCerebra) no necesitan clave. Elimina una clave en cualquier momento con Eliminar.
El DCC Bridge conecta tu propio ordenador a la aplicación web a través de un pequeño
conector dcc-bridge, desbloqueando dos capacidades a la vez:
El conector se conecta hacia afuera a través de un WebSocket autenticado — no se necesitan puertos de entrada, y funciona detrás de NAT y firewalls. Se ejecuta en Windows, macOS y Linux (Python 3.10+).
dcc_brg_…)
y el comando del conector listo para pegar — el token se muestra exactamente una vez.pip install git+https://github.com/mohammadkhair7/DeepCerebra-connector
# luego ejecuta el comando copiado de la tarjeta de emparejamiento, por ejemplo:
python -m dcc_bridge --gateway wss://deepcerebra.ai --token dcc_brg_xxxxxwss://deepcerebra.ai o wss://deepcerebra.io) — la tarjeta de emparejamiento precarga el
correcto. Los dos sitios son despliegues separados con cuentas y tokens separados.1234) con un modelo cargado.Por defecto, los comandos están confinados a una carpeta de espacio de trabajo dedicada (~/DeepCerebra). Para trabajar en
tus carpetas de proyecto reales con tus CLIs preconfiguradas, concédeles acceso explícitamente al iniciar el conector:
# concede una o más carpetas reales (repetible)
python -m dcc_bridge --gateway wss://deepcerebra.ai --token dcc_brg_xxxxx --host-dir "F:\MyProjects"
# o toda la máquina (imprime una advertencia; prefiere --host-dir)
python -m dcc_bridge ... --allow-any-dirLuego abre el panel Terminal, haz clic en el popover de Objetivo de ejecución (icono de portátil), elige Mi ordenador y selecciona un directorio de trabajo. Tanto tus comandos escritos como los comandos de compilación/prueba del agente se ejecutarán entonces en tu máquina.
--no-exec hace que un
dispositivo sea solo de inferencia (modelos GPU, sin comandos).Con un proyecto respaldado por Git abierto, aparece una barra de ramas en el Explorador mostrando tu rama actual y dos acciones:
main). Debes estar en una rama de trabajo, no en la rama predeterminada.Si el webhook de push está habilitado, el Explorador se actualiza automáticamente cuando los compañeros de equipo hacen push, manteniendo a todos sincronizados — la base para el desarrollo colaborativo en equipo a través de DeepCerebra.
Extiende el agente con herramientas y datos externos a través del Protocolo de Contexto del Modelo. Configura
servidores en un archivo .deepcerebra/mcp.json, por ejemplo:
{
"mcpServers": {
"my-tools": {
"url": "https://example.com/mcp",
"disabled": false,
"allowlist": ["search_issues", "get_pr"],
"autoApprove": ["create_issue"],
"auth": { "type": "bearer", "tokenEnv": "MY_TOKEN" }
}
}
}Las herramientas MCP habilitadas están disponibles para el agente automáticamente cuando son relevantes para tu solicitud. Locales
(stdio) y remotos (http/sse) son ambos compatibles.
allowlist, solo esas herramientas pueden ejecutarse.autoApprove.Si un servidor expone recursos o plantillas de prompt de MCP, el agente
obtiene automáticamente herramientas para usarlos (mcp_list_resources, mcp_read_resource,
mcp_list_prompts, mcp_get_prompt).
Añade un bloque auth a un servidor remoto. Los secretos admiten la interpolación ${ENV_VAR}:
// Token bearer estático (literal o desde el entorno)
"auth": { "type": "bearer", "token": "${GITHUB_TOKEN}" }
"auth": { "type": "bearer", "tokenEnv": "GITHUB_TOKEN" }
// Encabezado personalizado (por ejemplo, clave API)
"auth": { "type": "header", "header": "x-api-key", "value": "${MY_KEY}" }
// Credenciales de cliente OAuth 2.0
"auth": {
"type": "oauth", "grant": "client_credentials",
"tokenUrl": "https://auth.example.com/oauth/token",
"clientId": "${MCP_CLIENT_ID}", "clientSecret": "${MCP_CLIENT_SECRET}",
"scope": "mcp.read mcp.write"
}Puedes dar forma a cómo piensa y actúa el agente con una única convención basada en archivos — el
directorio .deepcerebra/ — que funciona de forma idéntica en la aplicación de escritorio, la
aplicación web y la API. En la aplicación web, gestiona todo esto bajo la
vista de Agente; en el escritorio y a través de la API son archivos planos que confirmas con tu proyecto.
La configuración se descubre de varios ámbitos; cuando el mismo elemento existe en más de uno, el de mayor precedencia gana:
team/org < global (~/.deepcerebra) < workspace (<repo>/.deepcerebra)
(más bajo) (más alto)<repo>/.deepcerebra/…, confirmado con el proyecto.~/.deepcerebra/…, tus valores predeterminados personales en todos los proyectos.Las reglas son instrucciones persistentes — estándares de codificación, convenciones de arquitectura, contexto de dominio — inyectadas en
el prompt del sistema del agente. Residen como archivos Markdown bajo .deepcerebra/steering/, además del
estándar AGENTS.md siempre activo. El frontmatter controla cuándo se carga una regla:
---
inclusion: fileMatch # always | fileMatch | auto | manual
globs: "src/**/*.ts" # or fileMatchPattern
name: api-design
description: REST conventions
---
# Diseño de API
- Usa sustantivos de recursos REST, en plural.always — en cada turno (el predeterminado).fileMatch — solo cuando un archivo en contexto coincide con globs.auto — cuando tu solicitud coincide con el name/description de la regla.manual — solo cuando lo referencias como #name o /name.Un AGENTS.md raíz se aplica a todo el repositorio; un AGENTS.md anidado (por ejemplo,
services/api/AGENTS.md) se aplica solo a los archivos de esa carpeta. En la aplicación web, la
vista Agente → Dirección ofrece a cada regla un selector de Ámbito
(Global / Proyecto / Equipo).
Las habilidades son manuales reutilizables que el agente carga bajo demanda. Cada habilidad es una carpeta con un
SKILL.md bajo .deepcerebra/skills/:
---
name: deploy-release
description: How to cut and publish a versioned release.
disable-model-invocation: false # true => manual-only (/skill)
---
# Desplegar una versión
1. Actualiza la versión, compila y prueba.
2. Etiqueta y publica.El agente ve un catálogo ligero (nombre + descripción) y extrae el cuerpo completo con la
herramienta load_skill cuando es relevante. También puedes invocar una explícitamente con
/skill <name>. Establece disable-model-invocation: true para que una habilidad sea solo manual.
Los hooks ejecutan automatización en eventos de ciclo de vida. Defínelos como .deepcerebra/hooks/*.hook.json:
{
"title": "Formatear al guardar",
"event": "fileSave",
"filePattern": ["**/*.ts"],
"action": { "type": "shell", "command": "npm run lint:fix -- $FILE" },
"enabled": true
}Los eventos incluyen promptSubmit, preToolUse, postToolUse,
fileCreate, fileSave, fileDelete, preTask,
postTask, sessionStart, preCompact y agentStop
(también se aceptan las grafías de Cursor/Claude). Una acción es shell (ejecutar un comando) o
agentPrompt (preguntar al agente). Un hook preToolUse puede permitir,
denegar o preguntar por la llamada a la herramienta que intercepta.
Los subagentes son agentes especialistas que defines y a los que delegas. Cada uno es un archivo Markdown bajo
.deepcerebra/agents/ con frontmatter más un cuerpo (su prompt de sistema):
---
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
---
Eres un revisor de seguridad meticuloso…El agente principal delega con task (bloqueante), task_async +
task_status / task_result (en segundo plano) o task_parallel (distribución).
Un plugin agrupa reglas, habilidades, hooks, subagentes y servidores MCP en un paquete instalable bajo
.deepcerebra/plugins/<name>/, descrito por un manifiesto plugin.json:
{
"name": "Estándares Acme",
"version": "1.2.0",
"description": "Reglas Acme + habilidades + agentes de revisión.",
"enabled": true
}Los contenidos del plugin se fusionan con la precedencia más baja, por lo que tus propias reglas y habilidades siempre anulan las de un plugin.
Deshabilita un plugin con "enabled": false o un archivo marcador .disabled.
DCC_ORG_CONFIG_DIR a un directorio .deepcerebra compartido, o configurando reglas con el
ámbito de Equipo en la aplicación web.El Estudio de Flujos de Trabajo es un diseñador visual para la automatización multiagente. Compón etapas — cada una un agente, un paso especialista o una primitiva de control — en un grafo, conéctalas con dependencias y ejecuta toda la orquestación en el motor con progreso en vivo por etapa, presupuestos y puertas de aprobación humana. Los flujos de trabajo se guardan como una definición portátil YAML/JSON que puedes exportar, importar, versionar en Git y ejecutar desde la API o CLI.
| Tipo de etapa | Qué hace |
|---|---|
agent | Un turno de agente con las habilidades y herramientas que adjuntes. |
spec.requirements / spec.design / spec.execute |
Entrega primero la especificación: redacta requisitos, diseña, luego divide en tareas y ejecuta — cada una con puerta. |
documents.generate | Produce un documento pulido a partir de las salidas de etapas anteriores. |
fan_out | Investigación paralela amplia en muchos subtemas con síntesis. |
map / loop / switch |
Primitivas de control: ejecuta un cuerpo por elemento, repite hasta una condición o ramifica entre casos. |
verify / browser_verify |
Ejecuta pruebas o comandos en el sandbox; verifica una UI en ejecución con automatización de navegador. |
orchestrate | Enrutamiento dinámico: un agente orquestador lee la solicitud y la envía a los mejores agentes posteriores a través de eventos. |
external.agent | Llama a un agente de terceros registrado a través de HTTP (A2A) como si fuera una etapa nativa. |
eval | Puntúa una salida anterior contra verificaciones (contiene / regex / longitud / LLM-juez); falla por debajo de un umbral. |
db.provision | Genera una capa de datos propia: docker-compose para la base de datos,
migraciones SQL versionadas, datos de inicialización, plantilla .env y un ERD de Mermaid; andamiaje de autenticación opcional;
puede aplicar migraciones a SQLite inmediatamente. |
ci.generate | Genera un pipeline CI/CD listo para commit (GitHub Actions, GitLab CI, o Azure Pipelines) con lint → test → scan → build → deploy y promoción de entorno. |
deploy.package | Genera activos de despliegue de producción: Dockerfile multi-etapa, docker-compose, manifiestos de Kubernetes o un gráfico Helm — archivos que posees y confirmas. |
test.generate | Genera suites de unitarias / API / E2E para la aplicación construida más una matriz de trazabilidad de requisito a prueba. |
test.verify | Ejecuta una suite de pruebas (pytest, vitest, jest, Playwright) y condiciona la ejecución a su tasa de aprobación. |
security.audit | Escanea dependencias en busca de vulnerabilidades conocidas y el árbol en busca de secretos codificados; publica eventos de alerta y escribe un informe de hallazgos. |
preview | Inicia la aplicación generada localmente y muestra su URL en vivo en el panel de ejecución
(enlace + marco en línea) a través de un evento preview.ready. |
design.import | Convierte una imagen de diseño de UI (captura de pantalla, maqueta, exportación de Figma) en una especificación de implementación estructurada para etapas posteriores. |
Cada etapa — independientemente de su tipo — puede publicar y suscribirse a eventos tipados en el bus de eventos del espacio de trabajo, de modo que los agentes se coordinan como servicios en una malla de mensajes en lugar de solo a través del DAG:
lifecycle, agent,
business, data, system, schedule, chat,
external o alert — filtrables en suscripciones y reproducción.trigger (la etapa se ejecuta cuando llega un evento coincidente; una
ejecución con etapas estacionadas permanece residente como escuchando), gate (una puerta de máquina aprobada por
un evento en lugar de un clic humano) y data (la carga útil se fusiona en el contexto de la etapa).agent.<stage-id>.request.triggers: de un flujo de trabajo lo habilita para iniciarse con
webhooks entrantes, programaciones cron, eventos o chat — incluso mientras el
Estudio está cerrado.Los agentes que reaccionan a eventos pueden declarar una cola con nombre duradera para que los eventos
coincidentes nunca se pierdan mientras el agente está ocupado o antes de que una ejecución esté escuchando. En una
suscripción de disparador, establece queue: <name> — el motor vincula ese tema a una cola FIFO en el
bus de eventos del espacio de trabajo (persistida bajo .deepcerebra/workflows/events/queues/). Cada evento
coincidente publicado a partir de ese momento se captura en la cola; cuando la etapa se vuelve ejecutable, el motor
extrae los eventos en orden del más antiguo al más nuevo y los consume uno a la vez.
count por suscripción — requiere N eventos en cola (o entregados)
antes de que la suscripción se satisfaga (útil cuando varios trabajadores deben informar).GET /api/workflow/queues lista la profundidad y las vinculaciones;
GET /api/workflow/queues/{name} muestra los eventos pendientes; los agentes de chat pueden llamar a
event_queue_status y pop_queued_event.events:
subscribe:
- topic: ticket.created
mode: trigger
queue: triage-inbox # FIFO duradera — los eventos esperan aquí a este agente
map:
payload.ticket_id: ticket_idUn semáforo limita cuántas tareas pueden operar simultáneamente en un recurso compartido (protegido):
una base de datos que se está escribiendo, un almacén de variables globales, un archivo o un agente externo con límite de velocidad.
Adjunta uno a cualquier etapa con semaphore: — antes de que se ejecute el trabajo de la etapa, el motor adquiere
un permiso del semáforo del espacio de trabajo nombrado; el permiso siempre se libera después, incluso si la etapa falla.
permits: 1 lo convierte en un mutex: solo una tarea a la vez (en todas las ejecuciones paralelas en el
espacio de trabajo) ejecuta el paso crítico; todas las demás tareas esperan hasta que el poseedor termina.
timeout_s por un permiso; si el
recurso permanece a plena capacidad, la etapa falla visiblemente en lugar de quedarse bloqueada indefinidamente.ttl_s; si un poseedor falla sin
liberarlo, el permiso caduca automáticamente para que el recurso nunca quede bloqueado.semaphore.<name>.waiting,
.acquired y .released; GET /api/workflow/semaphores
muestra la capacidad, los poseedores y los permisos disponibles.acquire_semaphore, release_semaphore y
semaphore_status coordinan secciones críticas ad-hoc fuera de un flujo de trabajo.semaphore:
name: emr-db-writer
permits: 1 # mutex — un escritor a la vez
timeout_s: 300 # falla si sigue esperando después de 5 minutos
ttl_s: 900 # liberación automática de poseedores caídos después de 15 minutosEncuentro espera hasta que se cumplan múltiples condiciones de evento antes de que el siguiente
paso continúe — lo opuesto a "el primer evento gana". Establece join: all en el bloque events:
de la etapa: cada suscripción de disparador debe satisfacerse antes de que la etapa se ejecute.
Combínalo con count: N por suscripción cuando varios agentes (o varios informes de un agente) deben
registrarse — por ejemplo, la aprobación del diseño, la finalización de las pruebas y la aprobación de seguridad antes de que se
ejecute una etapa de lanzamiento.
join: any (predeterminado) — la etapa se ejecuta cuando se satisface la primera suscripción de disparador.join: all — encuentro: cada suscripción de disparador (cada una con su propio tema,
filtro de clase y count opcional) debe satisfacerse; solo entonces la etapa se vuelve ejecutable.trigger_events
y se exponen a las plantillas como inputs.events (una lista de objetos de evento con cargas útiles).events:
join: all # encuentro — esperar a CADA suscripción a continuación
subscribe:
- topic: design.approved
mode: trigger
- topic: tests.passed
mode: trigger
- topic: security.cleared
mode: trigger
count: 1Las etapas eligen herramientas del mismo registro que usa el agente de chat:
create_database, apply_migrations y dump_schema para capas de datos propias.docker_build / docker_push, compose up/down, despliegues SSH y
cloud-CLI (Fly, Render, Railway, Vercel), también seguros para simulación.Class.method) en matemáticas, procesamiento de señales, controles, estadísticas y más./v1 expone ejecuciones, eventos, disparadores, plantillas y generación para CI e integraciones.db.provision → implementación → pruebas generadas → auditoría de seguridad → empaquetado de despliegue →
generación de CI, con una puerta humana antes del empaquetado — una ruta completa desde el resumen hasta la producción que puedes
adaptar en minutos.El autocompletado predictivo con Tab ofrece sugerencias de código en línea, para rellenar en medio, mientras escribes en el editor — acepta una sugerencia con Tab. Es opcional tanto en el motor como en el editor web.
DCC_TAB_COMPLETE=1. El editor llama al
endpoint POST /api/complete del motor, que devuelve solo el texto a insertar en el cursor.VITE_TAB_COMPLETE=1, o en tiempo de ejecución con
localStorage.setItem('dcc.tabComplete', '1') (luego recarga).Abre Facturación desde la barra lateral para gestionar tu plan y uso. El uso de IA se mide en créditos de dólares estadounidenses basados en los tokens consumidos por los modelos subyacentes.
| Plan | Precio mensual | Uso de IA mensual incluido |
|---|---|---|
| Básico | $20 | $10 |
| Pro | $75 | $30 |
| Ultimate | $200 | $150 |
Una clave API de gateway (un token de acceso personal) te permite usar la API pública y la CLI de DeepCerebra programáticamente.
read, chat, code, agent
— y una caducidad opcional en días (en blanco = nunca).Úsala con la CLI o la API en deepcerebra.ai:
dcc config set endpoint https://deepcerebra.ai
dcc config set api-key <your-key>
# o como un token Bearer
curl -H "Authorization: Bearer <your-key>" https://deepcerebra.ai/v1/...Puedes renombrar o eliminar (revocar) una clave en cualquier momento; cada clave muestra su prefijo, ámbitos, fecha de creación/caducidad y fecha de último uso.
Cambia a Chrome, Edge o Brave, o usa Abrir desde Git en su lugar.
Haz clic en Detener, luego reformula con una pista o restricción concreta.
dcc-bridge está en ejecución y que el dispositivo aparece en línea.1234) con un
modelo cargado.--gateway
(wss://deepcerebra.ai o wss://deepcerebra.io) — los dos sitios son despliegues
separados, y un token de uno nunca funciona en el otro.Abre o crea una rama de trabajo antes de usar Integrar para abrir una solicitud de extracción.
¿Sigues atascado? Contacta con support@deepcerebra.ai.
Discovery es un chatbot de investigación para sus bases de datos y documentos.
En lugar de responder con una sola consulta, funciona como un analista: formula hipótesis,
ejecuta una serie de sondeos protegidos (SQL, gráficos, búsqueda de documentos, comprobaciones de esquemas, corroboración web), descarta las
explicaciones que la evidencia refuta y sintetiza una respuesta fundamentada — con gráficos y un
recibo de costes transparente. Ábralo desde el icono de la brújula en la barra de actividad
(/app/discovery).
Un Espacio agrupa todo lo que una línea de investigación necesita: conexiones a bases de datos, colecciones de documentos, instrucciones para el analista y presupuestos. Cree uno con + Nuevo espacio y luego use el panel de configuración de la derecha para:
Escriba una pregunta como se la haría a un colega — por ejemplo "¿Por qué disminuyó el volumen de escáneres de resonancia magnética en marzo?". El tablero de investigación transmite todo el proceso en vivo:
Las preguntas de seguimiento continúan el mismo hilo, por lo que el analista mantiene su contexto.
Los gráficos se renderizan en línea en el tablero de investigación. Utilice Exportar para descargar la consulta completa — la respuesta, las hipótesis, la evidencia y los gráficos — como un informe HTML autocontenido o un PDF de calidad de impresión, con el estilo del sistema de diseño de neón.
Cada espacio tiene presupuestos por consulta: un número máximo de sondeos, rondas de investigación, segundos y USD. El motor se detiene limpiamente al alcanzar el límite e informa de lo que ha encontrado hasta el momento. El coste de cada sondeo se detalla en el recibo, para que siempre sepa dónde se gastó.
/v1/discovery/* con un
PAT que lleva el ámbito discovery (créelo en Cuenta → Tokens de API).
Las consultas de streaming utilizan SSE. Los ejecutores externos pueden tomar prestada solo la planificación de la investigación a través de la Thinking API
(/v1/think/*, ámbito think).pip install deepcerebra-discovery, luego
DiscoveryClient(base_url, token).ask(space_id, question).discovery.ask) a cualquier flujo de trabajo para ejecutar una investigación como un paso de la tubería; la respuesta,
los gráficos y el recibo fluyen a las etapas posteriores.discovery_ask y
discovery_list_spaces como herramientas MCP, para que los clientes MCP externos también puedan ejecutar investigaciones.