DeepCerebra Coder یک دستیار کدنویسی عاملمحور است. برخلاف یک دستیار تکمیل خودکار ساده، این ابزار برنامهریزی میکند، مینویسد، بازسازی میکند، دستورات را اجرا میکند، ابزارها را فراخوانی میکند و در کل پروژه شما تکرار میکند — در حالی که شما تغییرات پیشنهادی آن را بررسی و تأیید میکنید.
| نسخه | بهترین برای | دسترسی به فایل |
|---|---|---|
| برنامه وب | نصب صفر، کار از هر ماشینی | ذخیرهسازی محرمانه در مرورگر (و مخازن Git) |
| دسکتاپ (Windows / Linux / macOS) | توسعه محلی-اول، مدلهای محلی | سیستم فایل محلی مستقیم |
| CLI و API | اسکریپتنویسی، CI/CD، اتوماسیون | فایلهای محلی / برنامهنویسی |
این راهنما بر برنامه وب در deepcerebra.ai تمرکز دارد؛ برنامه دسکتاپ همان پنلها و گردش کارها را منعکس میکند.
برای تجربه کامل از نسخه فعلی Chrome، Edge یا Brave استفاده کنید — باز کردن یک پوشه محلی به Chromium File System Access API متکی است. Firefox و Safari برای گفتگو و پروژههای پشتیبانیشده توسط Git کار میکنند، اما نمیتوانند یک پوشه محلی را مستقیماً باز کنند.
/register?plan=basic (یا pro / ultimate) یک طرح را انتخاب کنید، یا اکنون شروع کرده و بعداً در صورتحساب یک طرح را انتخاب کنید.پس از ورود به سیستم، وارد محیط کار میشوید که هر پنل را در یک صفحه قرار میدهد:
تقسیمکننده بین ویرایشگر و گفتگو را بکشید تا طرحبندی را دوباره متعادل کنید، و تقسیمکننده افقی را بکشید تا اندازه ترمینال را تغییر دهید. نوار کناری چپ همچنین به فضای کاری، افزونهها، کلیدهای API، صورتحساب و بازخورد هدایت میکند.
repo (کلاسیک) یا یک توکن دقیق با Contents + Pull requests استفاده کنید؛ برای
GitLab از دامنه api استفاده کنید. توکن شما در سرور ذخیره میشود — فقط محتویات فایل به
مرورگر کشیده میشود.owner/name تایپ کنید (لیست را فیلتر کنید تا مخزن خود را پیدا کنید)، سپس یک
شاخه را انتخاب کنید.dcc/my-feature) را علامت بزنید تا کار شما
از شاخه پیشفرض جدا بماند.تاریخچه گفتگو به پروژه باز شده گره خورده است. تغییر پوشهها به طور خودکار یک جلسه جدید را شروع میکند و جلسات قبلی آن پوشه را بارگذاری میکند، و جدیدترین جلسه را دوباره باز میکند تا بتوانید از جایی که متوقف شدید، ادامه دهید.
پوشههایی که DeepCerebra به صورت داخلی استفاده میکند — .deepcerebra، .sessions — در درخت
ظاهر میشوند اما به طور پیشفرض جمع شدهاند تا منبع شما را شلوغ نکنند.
آنچه را که میخواهید به زبان ساده توصیف کنید — یک سوال بپرسید، یک ویژگی را درخواست کنید یا به یک باگ اشاره کنید. برای بهترین نتیجه، در مورد فایلها، چارچوبها و محدودیتها دقیق باشید. فایلهای مرتبط را با کشیدن آنها به قسمت ورودی گفتگو پیوست کنید.
پاسخها مانند Cursor سازماندهی شدهاند: استدلال عامل از خروجی قابل تحویل جدا شده است. هر بلوک پاسخ دارای یک نماد کپی در گوشه بالا سمت راست خود است تا بتوانید یک گزارش کامل، سند یا دستوری را که قرار است اجرا کنید، کپی کنید.
html.parser از lxml استفاده کن").@deepcerebra فراخوانی میکنید، و پیشوندهایی مانند [deep] درخواست استدلال عمیقتر میکنند.یک حالت را از انتخابگر حالت کنار اعلان انتخاب کنید. هر کدام میزان برنامهریزی عامل و آزادی آن در ویرایش را تنظیم میکند:
| حالت | کاری که انجام میدهد | زمان استفاده… |
|---|---|---|
| عامل | به طور مستقل در سراسر پروژه شما برنامهریزی و ویرایش میکند | زمانی که میخواهید دستیار یک تغییر را به صورت کامل پیادهسازی کند |
| پرسش | بدون ویرایش، به سوالات مربوط به کد شما پاسخ میدهد | زمانی که میخواهید پایگاه کد را درک کنید |
| برنامهریزی | پیشنویس رویکردی قبل از هرگونه ویرایش | وظیفه بزرگ است یا ابتدا باید مصالحهها را حل و فصل کرد |
| ویرایش | ویرایشهای متمرکز در زمینه فعلی انجام میدهد | زمانی که یک تغییر کوچک و هدفمند میخواهید |
هنگامی که عامل تغییرات فایل را پیشنهاد میکند، یک پنل تغییرات پیشنهادی بالای ورودی گفتگو ظاهر میشود، که هر فایل لمسشده را با تعداد خطوط اضافه شده (+) و حذف شده (−) لیست میکند.
applied (و · disk هنگامی که در یک پوشه واقعی نوشته میشوند) علامتگذاری میشوند.ترمینال را زیر ویرایشگر روشن/خاموش کنید تا ساختها، تستها و اسکریپتها را اجرا کنید. با مجوز شما، عامل میتواند دستورات را اجرا کرده و خروجی آنها را بخواند تا کار خود را تأیید کند؛ دستورات طولانیمدت خروجی را جریانسازی میکنند تا بتوانید پیشرفت را مشاهده کنید. هنگامی که به آن نیاز ندارید، ترمینال را از هدر آن ببندید.
برای اهداف بزرگتر، از برنامهریزی حالت (یا از عامل بخواهید ابتدا برنامهریزی کند) استفاده کنید. برنامهریز پروژه شما را اسکن میکند، هدف را به وظایف آگاه به وابستگی تجزیه میکند و هر یک را به متخصص مناسب (معمار، برنامهنویس، آزمایشکننده، مستندساز) اختصاص میدهد.
انتخابگر مدل را کنار قسمت ورودی گفتگو باز کنید. گزینهها به صورت زیر گروهبندی شدهاند:
در حالت خودکار، DeepCerebra از مسیریابی طبقهبندیشده و تطبیقی استفاده میکند: وظایف ساده به یک مدل سریع و اقتصادی میروند، در حالی که کارهای پیچیده یا نیازمند برنامهریزی زیاد (به عنوان مثال، حالت برنامهریزی) به یک مدل قویتر هدایت میشوند. این کار به طور خودکار هزینه و کیفیت را متعادل میکند، بنابراین به ندرت نیاز به انتخاب دستی دارید.
میتوانید درخواستها را از طریق حساب ارائهدهنده خود به جای استفاده از پلتفرم با هزینه متر شده، مسیریابی کنید.
ANTHROPIC_API_KEY،
GOOGLE_API_KEY، OPENAI_API_KEY).مدلهای پلتفرم (DeepCerebra) نیازی به کلید ندارند. هر زمان که خواستید با حذف یک کلید را بردارید.
DCC Bridge کامپیوتر خود شما را از طریق یک اتصالدهنده کوچک
dcc-bridge به برنامه وب متصل میکند و دو قابلیت را به طور همزمان باز میکند:
اتصالدهنده از طریق یک WebSocket احراز هویت شده به بیرون شمارهگیری میکند — نیازی به پورتهای ورودی نیست، و پشت NAT و فایروالها کار میکند. این ابزار روی Windows، macOS و Linux (Python 3.10+) اجرا میشود.
dcc_brg_…)
و دستور اتصالدهنده آماده جایگذاری را کپی کنید — توکن دقیقاً یک بار نشان داده میشود.pip install git+https://github.com/mohammadkhair7/DeepCerebra-connector
# then run the command copied from the pairing card, e.g.:
python -m dcc_bridge --gateway wss://deepcerebra.ai --token dcc_brg_xxxxxwss://deepcerebra.ai یا wss://deepcerebra.io) استفاده کنید — کارت جفتسازی
مقدار صحیح را پیشپر میکند. این دو سایت استقرار جداگانه با حسابها و توکنهای جداگانه هستند.1234) را با یک مدل بارگذاری شده فعال کنید.به طور پیشفرض، دستورات به یک پوشه فضای کاری اختصاصی (~/DeepCerebra) محدود میشوند. برای کار در
پوشههای پروژه واقعی خود با CLIs از پیش پیکربندی شده، آنها را به صراحت هنگام شروع اتصالدهنده اعطا کنید:
# grant one or more real folders (repeatable)
python -m dcc_bridge --gateway wss://deepcerebra.ai --token dcc_brg_xxxxx --host-dir "F:\MyProjects"
# or the whole machine (prints a warning; prefer --host-dir)
python -m dcc_bridge ... --allow-any-dirسپس پنل ترمینال را باز کنید، روی پاپاور هدف اجرا (نماد لپتاپ) کلیک کنید، کامپیوتر من را انتخاب کرده و یک دایرکتوری کاری را انتخاب کنید. سپس هم دستورات تایپ شده شما و هم دستورات ساخت/تست عامل روی ماشین شما اجرا میشوند.
--no-exec یک دستگاه را فقط برای استنتاج (مدلهای GPU، بدون دستورات) میسازد.با باز بودن یک پروژه پشتیبانیشده توسط Git، یک نوار شاخه در کاوشگر ظاهر میشود که شاخه فعلی شما و دو عمل را نشان میدهد:
main) باز کنید. شما باید روی یک شاخه کاری باشید، نه شاخه پیشفرض.اگر push webhook فعال باشد، کاوشگر به طور خودکار هنگام push همتیمیها تازهسازی میشود و همه را همگام نگه میدارد — این اساس توسعه تیمی مشارکتی از طریق DeepCerebra است.
عامل را با ابزارها و دادههای خارجی از طریق Model Context Protocol گسترش دهید.
سرورها را در یک فایل .deepcerebra/mcp.json پیکربندی کنید، به عنوان مثال:
{
"mcpServers": {
"my-tools": {
"url": "https://example.com/mcp",
"disabled": false,
"allowlist": ["search_issues", "get_pr"],
"autoApprove": ["create_issue"],
"auth": { "type": "bearer", "tokenEnv": "MY_TOKEN" }
}
}
}ابزارهای MCP فعال شده به طور خودکار برای عامل در دسترس قرار میگیرند، هنگامی که به درخواست شما مرتبط باشند.
سرورهای محلی (stdio) و از راه دور (http/sse) هر دو پشتیبانی میشوند.
allowlist را لیست میکند، فقط آن ابزارها میتوانند اجرا شوند.autoApprove تأیید کنید.اگر یک سرور منابع MCP یا قالبهای درخواست را افشا کند، عامل
به طور خودکار ابزارهایی برای استفاده از آنها به دست میآورد (mcp_list_resources، mcp_read_resource،
mcp_list_prompts، mcp_get_prompt).
یک بلوک auth را به یک سرور از راه دور اضافه کنید. اسرار از درونیابی ${ENV_VAR} پشتیبانی میکنند:
// Static bearer token (literal or from env)
"auth": { "type": "bearer", "token": "${GITHUB_TOKEN}" }
"auth": { "type": "bearer", "tokenEnv": "GITHUB_TOKEN" }
// Custom header (e.g. API key)
"auth": { "type": "header", "header": "x-api-key", "value": "${MY_KEY}" }
// OAuth 2.0 client-credentials
"auth": {
"type": "oauth", "grant": "client_credentials",
"tokenUrl": "https://auth.example.com/oauth/token",
"clientId": "${MCP_CLIENT_ID}", "clientSecret": "${MCP_CLIENT_SECRET}",
"scope": "mcp.read mcp.write"
}میتوانید نحوه تفکر و عمل عامل را با یک قرارداد واحد و مبتنی بر فایل — دایرکتوری
.deepcerebra/ — شکل دهید که به طور یکسان در برنامه دسکتاپ،
برنامه وب و API کار میکند. در برنامه وب، همه اینها را در نمای
عامل مدیریت کنید؛ در دسکتاپ و از طریق API آنها فایلهای سادهای هستند که با پروژه خود commit میکنید.
پیکربندی از چندین دامنه کشف میشود؛ هنگامی که همان مورد در بیش از یک دامنه وجود داشته باشد، دامنه با اولویت بالاتر برنده میشود:
team/org < global (~/.deepcerebra) < workspace (<repo>/.deepcerebra)
(پایینترین) (بالاترین)<repo>/.deepcerebra/…، با پروژه commit میشود.~/.deepcerebra/…، پیشفرضهای شخصی شما در سراسر پروژهها.قوانین دستورالعملهای دائمی هستند — استانداردهای کدنویسی، قراردادهای معماری، زمینه دامنه — که به
درخواست سیستم عامل تزریق میشوند. آنها به عنوان فایلهای Markdown زیر .deepcerebra/steering/
زندگی میکنند، به علاوه استاندارد همیشه فعال AGENTS.md. Frontmatter کنترل میکند چه زمانی یک قانون بارگذاری میشود:
---
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 — هر بار (پیشفرض).fileMatch — فقط زمانی که یک فایل در متن با globs مطابقت دارد.auto — زمانی که درخواست شما با name/description قانون مطابقت داشته باشد.manual — فقط زمانی که آن را به عنوان #name یا /name ارجاع دهید.یک AGENTS.md ریشه در سراسر مخزن اعمال میشود؛ یک AGENTS.md تو در تو (مثلاً
services/api/AGENTS.md) فقط برای فایلهای زیر آن پوشه اعمال میشود. در برنامه وب، نمای
عامل → هدایت به هر قانون یک انتخابگر دامنه (سراسری /
پروژه / تیم) میدهد.
مهارتها دفترچههای راهنمای قابل استفاده مجددی هستند که عامل آنها را بر حسب تقاضا بارگذاری میکند. هر مهارت یک پوشه است که حاوی یک
SKILL.md در مسیر .deepcerebra/skills/ است:
---
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.عامل یک کاتالوگ سبک (نام + توضیحات) را میبیند و بدنه کامل را با ابزار
load_skill در صورت مرتبط بودن، وارد میکند. همچنین میتوانید یکی را به صراحت با
/skill <name> فراخوانی کنید. disable-model-invocation: true را تنظیم کنید تا یک مهارت فقط دستی شود.
هوکها اتوماسیون را در رویدادهای چرخه حیات اجرا میکنند. آنها را به عنوان .deepcerebra/hooks/*.hook.json تعریف کنید:
{
"title": "Format on save",
"event": "fileSave",
"filePattern": ["**/*.ts"],
"action": { "type": "shell", "command": "npm run lint:fix -- $FILE" },
"enabled": true
}رویدادها شامل promptSubmit، preToolUse، postToolUse،
fileCreate، fileSave، fileDelete، preTask،
postTask، sessionStart، preCompact و agentStop
(نوشتارهای Cursor/Claude نیز پذیرفته میشوند). یک عمل یا shell (اجرای یک دستور) یا
agentPrompt (پرسیدن از عامل) است. یک هوک preToolUse میتواند فراخوانی ابزار را که
رهگیری میکند، اجازه دهد، رد کند یا بپرسد.
زیرعاملها عاملهای متخصصی هستند که شما تعریف کرده و به آنها واگذار میکنید. هر یک یک فایل Markdown زیر
.deepcerebra/agents/ با frontmatter به علاوه یک بدنه (درخواست سیستم آن) است:
---
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…عامل اصلی با task (مسدودکننده)، task_async +
task_status / task_result (پسزمینه) یا task_parallel (فناوت) واگذار میکند.
یک پلاگین قوانین، مهارتها، هوکها، زیرعاملها و سرورهای MCP را در یک بسته قابل نصب زیر
.deepcerebra/plugins/<name>/ جمعآوری میکند، که توسط یک مانیفست plugin.json
توصیف میشود:
{
"name": "Acme Standards",
"version": "1.2.0",
"description": "Acme rules + skills + review agents.",
"enabled": true
}محتویات پلاگین با پایینترین اولویت ادغام میشوند، بنابراین قوانین و مهارتهای خود شما همیشه بر پلاگین
غلبه میکنند. یک پلاگین را با "enabled": false یا یک فایل نشانگر .disabled غیرفعال کنید.
DCC_ORG_CONFIG_DIR به یک مشترک .deepcerebra دایرکتوری، یا با تنظیم قوانین در محدوده
تیم در برنامه وب منتشر کند.استودیوی گردش کار یک طراح بصری برای اتوماسیون چندعاملی است. شما مراحل — هر یک یک عامل، یک گام تخصصی یا یک اولیه کنترل — را در یک نمودار ترکیب میکنید، آنها را با وابستگیها متصل میکنید و کل ارکستراسیون را روی موتور با پیشرفت زنده هر مرحله، بودجهها و دروازههای تأیید انسانی اجرا میکنید. گردش کارها به عنوان یک تعریف قابل حمل YAML/JSON ذخیره میشوند که میتوانید آن را صادر، وارد، در Git نسخهبندی کرده و از API یا CLI اجرا کنید.
| نوع مرحله | کاری که انجام میدهد |
|---|---|
agent | یک نوبت عامل با مهارتها و ابزارهایی که شما پیوست میکنید. |
spec.requirements / spec.design / spec.execute |
تحویل مبتنی بر مشخصات: پیشنویس الزامات، طراحی، سپس تقسیم به وظایف و اجرا — هر یک قابل دروازهبندی. |
documents.generate | یک سند صیقلی از خروجیهای مراحل قبلی تولید کنید. |
fan_out | تحقیق گسترده موازی در بسیاری از زیرموضوعات با سنتز. |
map / loop / switch |
اولیه کنترل: یک بدنه را برای هر مورد اجرا کنید، تا زمانی که یک شرط برقرار شود تکرار کنید، یا در موارد مختلف شاخه بزنید. |
verify / browser_verify |
تستها یا دستورات را در sandbox اجرا کنید؛ یک UI در حال اجرا را با اتوماسیون مرورگر تأیید کنید. |
orchestrate | مسیریابی پویا: یک عامل ارکستراتور درخواست را میخواند و آن را به بهترین عامل(های) پاییندستی از طریق رویدادها ارسال میکند. |
external.agent | یک عامل شخص ثالث ثبتشده را از طریق HTTP (A2A) فراخوانی کنید، گویی که یک مرحله بومی است. |
eval | یک خروجی بالادستی را در برابر بررسیها (شامل / regex / طول / LLM-judge) امتیاز دهید؛ در صورت کمتر از آستانه، شکست بخورد. |
db.provision | یک لایه داده متعلق به خود را تولید کنید: docker-compose برای پایگاه داده،
مهاجرتهای SQL نسخهبندی شده، دادههای اولیه، قالب .env، و یک Mermaid ERD؛ داربست احراز هویت اختیاری؛
میتواند مهاجرتها را بلافاصله روی SQLite اعمال کند. |
ci.generate | یک خط لوله CI/CD آماده commit (GitHub Actions, GitLab CI, یا Azure Pipelines) با lint → test → scan → build → deploy و ارتقاء محیط تولید کنید. |
deploy.package | داراییهای استقرار تولید را تولید کنید: Dockerfile چند مرحلهای، docker-compose، Kubernetes manifests، یا یک Helm chart — فایلهایی که شما مالک آنها هستید و commit میکنید. |
test.generate | مجموعههای واحد / API / E2E را برای برنامه ساخته شده به علاوه یک ماتریس ردیابی الزامات به تست تولید کنید. |
test.verify | یک مجموعه تست (pytest, vitest, jest, Playwright) را اجرا کنید و اجرا را بر اساس نرخ قبولی آن دروازهبندی کنید. |
security.audit | وابستگیها را برای آسیبپذیریهای شناخته شده و درخت را برای اسرار سختکد شده اسکن کنید؛ رویدادهای هشدار را منتشر کرده و یک گزارش یافتهها را مینویسد. |
preview | برنامه تولید شده را به صورت محلی شروع کنید و URL زنده آن را در پنل اجرا
(لینک + فریم درونخطی) از طریق یک رویداد preview.ready نمایش دهید. |
design.import | یک تصویر طراحی UI (اسکرینشات، ماکت، خروجی Figma) را به یک مشخصات پیادهسازی ساختاریافته برای مراحل پاییندستی تبدیل کنید. |
هر مرحله — صرف نظر از نوع — میتواند رویدادهای تایپ شده را در گذرگاه رویداد فضای کاری منتشر و مشترک شود، بنابراین عاملها مانند سرویسها در یک ساختار پیام به جای فقط از طریق DAG هماهنگ میشوند:
lifecycle، agent،
business، data، system، schedule، chat،
external یا alert — قابل فیلتر در اشتراکها و بازپخش.trigger (مرحله زمانی اجرا میشود که یک رویداد مطابق برسد؛ یک
اجرا با مراحل پارک شده به عنوان در حال گوش دادن باقی میماند)، gate (یک دروازه ماشینی که توسط
یک رویداد به جای کلیک انسانی تأیید میشود)، و data (بار مفید در زمینه مرحله ادغام میشود).agent.<stage-id>.request شروع شود.triggers: یک گردش کار آن را برای شروع در
وبهوکهای ورودی، زمانبندیهای cron، رویدادها یا گفتگو — حتی در حالی که
استودیو بسته است — آماده میکند.عاملهایی که به رویدادها واکنش نشان میدهند میتوانند یک صف نامگذاری شده پایدار را اعلام کنند تا
رویدادهای مطابق هرگز در حالی که عامل مشغول است یا قبل از اینکه یک اجرا در حال گوش دادن باشد، از دست نروند. در یک
اشتراک trigger، queue: <name> را تنظیم کنید — موتور آن موضوع را به یک صف FIFO در گذرگاه رویداد
فضای کاری (پایدار شده زیر .deepcerebra/workflows/events/queues/) متصل میکند. هر رویداد مطابق
منتشر شده از آن نقطه به بعد در صف ثبت میشود؛ هنگامی که مرحله قابل اجرا میشود، موتور رویدادها را به ترتیب
قدیمیترین-اول بیرون میکشد و آنها را یکی یکی مصرف میکند.
count برای هر اشتراک — قبل از اینکه اشتراک برآورده شود، N رویداد صفبندی شده (یا تحویل داده شده)
را الزامی کنید (مفید زمانی که چندین کارگر باید گزارش دهند).GET /api/workflow/queues عمق و اتصالات را لیست میکند؛
GET /api/workflow/queues/{name} رویدادهای در انتظار را نشان میدهد؛ عاملهای گفتگو میتوانند
event_queue_status و pop_queued_event را فراخوانی کنند.events:
subscribe:
- topic: ticket.created
mode: trigger
queue: triage-inbox # durable FIFO — events wait here for this agent
map:
payload.ticket_id: ticket_idیک سمافور تعداد وظایفی را که میتوانند به طور همزمان روی یک منبع مشترک (محافظتشده) عمل کنند، محدود میکند:
مانند یک پایگاه داده در حال نوشتن، یک مخزن متغیر سراسری، یک فایل، یا یک عامل خارجی با نرخ محدود. یکی را به هر مرحله با semaphore: — قبل از اجرای کار مرحله، موتور یک مجوز از سمافور فضای کاری نامگذاری شده را به دست میآورد؛ این مجوز همیشه آزاد میشود، حتی اگر مرحله با شکست مواجه شود.
permits: 1 آن را به یک موتکس تبدیل میکند: فقط یک وظیفه در هر زمان (در تمام اجراهای موازی در فضای کاری) مرحله حیاتی را اجرا میکند؛ هر وظیفه دیگر منتظر میماند تا نگهدارنده به پایان برسد.
timeout_s برای یک مجوز مسدود میشوند؛ اگر
منبع در ظرفیت کامل باقی بماند، مرحله به جای آویزان شدن برای همیشه، به وضوح شکست میخورد.ttl_s را حمل میکند؛ اگر یک دارنده بدون
آزاد کردن خراب شود، مجوز به طور خودکار منقضی میشود تا منبع هرگز قفل نشود.semaphore.<name>.waiting،
.acquired و .released را منتشر میکند؛ GET /api/workflow/semaphores
ظرفیت، دارندگان و مجوزهای موجود را نشان میدهد.acquire_semaphore, release_semaphore, و
semaphore_status ابزارها بخشهای بحرانی موقت را خارج از یک گردش کار هماهنگ میکنند.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 minutesملاقات منتظر میماند تا چندین شرط رویداد همگی برآورده شوند قبل از اینکه گام بعدی
پیش برود — برعکس "اولین رویداد برنده میشود." join: all را در بلوک events: مرحله تنظیم کنید:
هر اشتراک trigger باید برآورده شود قبل از اینکه مرحله اجرا شود. این را با count: N
برای هر اشتراک ترکیب کنید زمانی که چندین عامل (یا چندین گزارش از یک عامل) باید همگی بررسی شوند — به عنوان مثال،
تأیید طراحی، تکمیل تست و تأیید امنیتی قبل از اجرای مرحله انتشار.
join: any (پیشفرض) — مرحله زمانی اجرا میشود که اولین اشتراک trigger برآورده شود.join: all — ملاقات: هر اشتراک trigger (هر یک با موضوع، فیلتر کلاس و
count اختیاری خود) باید برآورده شود؛ تنها در این صورت مرحله قابل اجرا میشود.trigger_events ثبت میشوند
و به عنوان inputs.events (لیستی از اشیاء رویداد با بار مفید) در قالبها در دسترس قرار میگیرند.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: 1مراحل ابزارها را از همان رجیستری که عامل گفتگو استفاده میکند، انتخاب میکنند:
create_database، apply_migrations و dump_schema برای لایههای داده
متعلق به خود.docker_build / docker_push، compose up/down، SSH و
استقرار CLI ابری (Fly, Render, Railway, Vercel)، همچنین ایمن برای شبیهسازی.Class.method) در ریاضیات، پردازش سیگنال، کنترلها، آمار و موارد دیگر./v1 اجراها، رویدادها، triggerها، قالبها و تولید را برای CI و یکپارچهسازیها افشا میکند.db.provision → پیادهسازی → تستهای تولید شده → حسابرسی امنیتی → بستهبندی استقرار →
تولید CI را به هم زنجیر میکند، با یک دروازه انسانی قبل از بستهبندی — یک مسیر کامل از خلاصه تا تولید که
میتوانید در چند دقیقه آن را تطبیق دهید.تکمیل خودکار پیشبینیکننده، پیشنهادهای کد درونخطی و پرکننده میانی را هنگام تایپ در ویرایشگر ارائه میدهد — یک پیشنهاد را با Tab بپذیرید. این ویژگی در هر دو موتور و ویرایشگر وب اختیاری است.
DCC_TAB_COMPLETE=1 را تنظیم کنید. ویرایشگر نقطه پایانی
POST /api/complete موتور را فراخوانی میکند، که فقط متن را برای درج در مکان نما برمیگرداند.VITE_TAB_COMPLETE=1، یا در زمان اجرا با
localStorage.setItem('dcc.tabComplete', '1') (سپس بارگذاری مجدد) فعال کنید.برای مدیریت طرح و میزان استفاده خود، صورتحساب را از نوار کناری باز کنید. میزان استفاده از هوش مصنوعی بر اساس اعتبار دلاری آمریکا و بر اساس توکنهای مصرف شده توسط مدلهای زیربنایی محاسبه میشود.
| طرح | قیمت ماهانه | میزان استفاده ماهانه از هوش مصنوعی (شامل) |
|---|---|---|
| Basic | $20 | $10 |
| Pro | $75 | $30 |
| Ultimate | $200 | $150 |
یک کلید API gateway (یک توکن دسترسی شخصی) به شما امکان میدهد از API عمومی DeepCerebra و CLI به صورت برنامهنویسی استفاده کنید.
read، chat، code، agent
— و یک انقضا اختیاری بر حسب روز (خالی = هرگز) را انتخاب کنید.از آن با CLI یا API در deepcerebra.ai استفاده کنید:
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/...میتوانید یک کلید را در هر زمان تغییر نام یا حذف (لغو) کنید؛ هر کلید پیشوند، دامنهها، تاریخ ایجاد/انقضا و تاریخ آخرین استفاده خود را نشان میدهد.
به Chrome، Edge یا Brave تغییر دهید، یا به جای آن از باز کردن از Git استفاده کنید.
روی توقف کلیک کنید، سپس با یک راهنمایی یا محدودیت مشخص، دوباره عبارتبندی کنید.
dcc-bridge در حال اجرا است و دستگاه آنلاین را نشان میدهد.1234) با یک
مدل بارگذاری شده.--gateway
(wss://deepcerebra.ai یا wss://deepcerebra.io) استفاده کنید — این دو سایت
استقرارهای جداگانه هستند، و یک توکن از یکی هرگز روی دیگری کار نمیکند.قبل از استفاده از یکپارچهسازی برای باز کردن یک درخواست pull، یک شاخه کاری را باز یا ایجاد کنید.
هنوز مشکل دارید؟ با support@deepcerebra.ai تماس بگیرید.
Discovery یک چتبات تحقیقاتی برای پایگاههای داده و اسناد شماست.
به جای پاسخ دادن با یک پرسوجوی واحد، مانند یک تحلیلگر عمل میکند: فرضیهها را شکل میدهد،
مجموعهای از بررسیهای محافظتشده (SQL، گراف، جستجوی اسناد، بررسیهای شماتیک، تأیید وب) را اجرا میکند،
توضیحاتی را که شواهد رد میکنند حذف میکند، و یک پاسخ مستدل — همراه با نمودارها و یک
رسید هزینه شفاف — را ترکیب میکند. آن را از نماد قطبنما در نوار فعالیت
(/app/discovery) باز کنید.
یک فضا هر آنچه را که یک خط پرسش نیاز دارد، شامل میشود: اتصالات پایگاه داده، مجموعههای اسناد، دستورالعملها برای تحلیلگر، و بودجهها. یکی را با + فضای جدید ایجاد کنید، سپس از پنل تنظیمات در سمت راست برای موارد زیر استفاده کنید:
سؤالی را به همان شیوهای که از یک همکار میپرسید، تایپ کنید — برای مثال «چرا حجم اسکن MRI در ماه مارس کاهش یافت؟». صفحه تحقیقات کل فرآیند را به صورت زنده پخش میکند:
سؤالات پیگیری همان رشته را ادامه میدهند، بنابراین تحلیلگر زمینه خود را حفظ میکند.
نمودارها به صورت درونخطی در صفحه تحقیقات رندر میشوند. از خروجی گرفتن برای دانلود کل پرسش — پاسخ، فرضیهها، شواهد و نمودارها — به عنوان یک گزارش HTML مستقل یا یک PDF با کیفیت چاپ، که با سیستم طراحی نئون استایلدهی شده است، استفاده کنید.
هر فضا بودجههای هر پرسش را شامل میشود: حداکثر تعداد بررسیها، دورهای تحقیق، ثانیه، و USD. موتور به طور تمیز در سقف متوقف میشود و آنچه را که تاکنون یافته است گزارش میدهد. هزینه هر بررسی در رسید به تفکیک ذکر شده است، بنابراین شما همیشه میدانید که هزینه کجا صرف شده است.
/v1/discovery/* با یک
PAT که دارای دامنه discovery است (آن را در حساب کاربری ← توکنهای API ایجاد
کنید) در دسترس است. پرسشهای جریانی از SSE استفاده میکنند. اجراکنندگان خارجی میتوانند برنامهریزی
تحقیقاتی را از طریق Thinking API (/v1/think/*، دامنه think) قرض بگیرند.pip install deepcerebra-discovery، سپس
DiscoveryClient(base_url, token).ask(space_id, question).discovery.ask) را
در هر گردش کاری رها کنید تا یک تحقیق را به عنوان یک گام پایپلاین اجرا کنید؛ پاسخ، نمودارها و رسید به
مراحل پاییندستی جریان مییابند.discovery_ask و discovery_list_spaces را به عنوان
ابزارهای MCP در معرض دید قرار میدهد، بنابراین کلاینتهای MCP خارجی نیز میتوانند تحقیقات را اجرا کنند.