Ang DeepCerebra Coder ay isang agentic coding assistant. Hindi tulad ng isang simpleng autocomplete copilot, ito ay nagpaplano, nagsusulat, nagre-refactor, nagpapatakbo ng mga command, tumatawag ng mga tool, at nag-i-iterate sa iyong buong proyekto — kasama ka na nagsusuri at nag-aapruba ng mga pagbabagong iminumungkahi nito.
| Edisyon | Pinakamahusay para sa | Pag-access sa file |
|---|---|---|
| Web app | Zero-install, gumana mula sa anumang makina | Kumpidensyal na in-browser storage (at Git repos) |
| Desktop (Windows / Linux / macOS) | Local-first development, mga lokal na model | Direktang lokal na file system |
| CLI & API | Scripting, CI/CD, automation | Mga lokal na file / programmatic |
Nakatuon ang gabay na ito sa web app sa deepcerebra.ai; ang desktop app ay sumasalamin sa parehong mga panel at workflow.
Gumamit ng kasalukuyang bersyon ng Chrome, Edge, o Brave para sa buong karanasan — ang pagbubukas ng isang lokal na folder ay umaasa sa Chromium File System Access API. Gumagana ang Firefox at Safari para sa chat at para sa mga proyektong sinusuportahan ng Git, ngunit hindi direktang makapagbukas ng lokal na folder.
/register?plan=basic (o pro / ultimate), o magsimula ngayon at pumili ng plano
mamaya sa Billing.Pagkatapos mag-sign in, mapupunta ka sa workbench, na naglalagay ng bawat pane sa isang screen:
I-drag ang splitter sa pagitan ng editor at chat upang muling balansehin ang layout, at i-drag ang horizontal splitter upang baguhin ang laki ng terminal. Ang kaliwang sidebar ay nagna-navigate din sa Workspace, Extensions, API Keys, Billing, at Feedback.
repo scope (classic) o isang fine-grained token na may Contents + Pull requests; para sa
GitLab, gamitin ang api scope. Ang iyong token ay nakaimbak sa server — tanging ang mga nilalaman ng file ang kinukuha
sa browser.owner/name (i-filter ang listahan upang mahanap ang iyo), pagkatapos ay pumili ng isang
branch.dcc/my-feature) upang panatilihing
nakahiwalay ang iyong trabaho mula sa default branch.Ang kasaysayan ng chat ay nakatali sa bukas na proyekto. Ang paglipat ng mga folder ay awtomatikong nagsisimula ng bagong session at naglo-load ng mga nakaraang session ng folder na iyon, muling binubuksan ang pinakabago upang makapagpatuloy ka kung saan ka huminto.
Ang mga folder na ginagamit ng DeepCerebra sa loob — .deepcerebra, .sessions — ay lumalabas sa tree
ngunit naka-collapse bilang default upang hindi nila kalat ang iyong source.
Ilarawan kung ano ang gusto mo sa simpleng wika — magtanong, humiling ng feature, o ituro ang isang bug. Maging tiyak tungkol sa mga file, framework, at mga limitasyon upang makuha ang pinakamahusay na resulta. Ilakip ang mga nauugnay na file sa pamamagitan ng pag-drag sa mga ito sa prompt.
Ang mga tugon ay nakaayos tulad ng Cursor: ang pangangatwiran ng agent ay hiwalay sa deliverable. Ang bawat response block ay may copy icon sa kanang itaas na sulok nito upang makopya mo ang isang tapos na ulat, dokumento, o isang command na dapat mong patakbuhin.
lxml sa halip na html.parser") upang ilabas ang agent mula sa isang
loop.@deepcerebra, at ang mga prefix tulad ng [deep] ay humihiling ng mas malalim na pangangatwiran.Pumili ng mode mula sa mode selector sa tabi ng prompt. Ang bawat isa ay nagtutugma kung gaano karami ang pinaplano ng agent at kung gaano kalaya itong nag-e-edit:
| Mode | Ano ang ginagawa nito | Gamitin kapag… |
|---|---|---|
| Agent | Nagpaplano at nag-e-edit sa iyong proyekto nang awtonomo | Gusto mong ipatupad ng assistant ang isang pagbabago mula simula hanggang dulo |
| Ask | Sumasagot ng mga tanong tungkol sa iyong code nang walang pag-e-edit | Gusto mong maunawaan ang codebase |
| Plan | Nagda-draft ng isang diskarte bago ang anumang pag-e-edit | Malaki ang gawain o may mga trade-off na kailangan munang ayusin |
| Edit | Gumagawa ng nakatuong pag-e-edit sa kasalukuyang konteksto | Gusto mo ng maliit, naka-target na pagbabago |
Kapag nagmumungkahi ang agent ng mga pagbabago sa file, lumalabas ang isang panel ng Proposed Changes sa itaas ng input ng chat, na naglilista ng bawat naapektuhang file na may idinagdag (+) at inalis (−) na line counts.
applied (at · disk kapag isinulat sa isang tunay na folder).I-toggle ang terminal sa ilalim ng editor upang magpatakbo ng mga build, test, at script. Sa iyong pahintulot, ang agent ay maaaring magpatupad ng mga command at basahin ang kanilang output upang i-verify ang trabaho nito; ang mga long-running command ay nag-i-stream ng output upang makita mo ang progreso. Isara ang terminal mula sa header nito kapag hindi mo na ito kailangan.
Para sa mas malalaking layunin, gamitin ang Plan mode (o hilingin sa agent na magplano muna). Ini-scan ng planner ang iyong proyekto, binubuwag ang layunin sa mga dependency-aware na gawain, at itinalaga ang bawat isa sa tamang espesyalista (architect, coder, tester, docs).
Buksan ang model picker sa tabi ng prompt. Ang mga opsyon ay naka-grupo bilang:
Sa Auto, ginagamit ng DeepCerebra ang tiered, adaptive routing: ang mga simpleng gawain ay napupunta sa isang mabilis, matipid na model, habang ang kumplikado o planning-heavy na trabaho (halimbawa, Plan mode) ay iruruta sa isang mas malakas na model. Ito ay nagbabalanse ng gastos at kalidad nang awtomatiko, kaya bihirang kailangan mong pumili nang manu-mano.
Maaari mong iruta ang mga kahilingan sa pamamagitan ng iyong sariling provider account sa halip na metered platform usage.
ANTHROPIC_API_KEY,
GOOGLE_API_KEY, OPENAI_API_KEY).Ang mga model ng Platform (DeepCerebra) ay hindi nangangailangan ng key. Alisin ang isang key anumang oras gamit ang Remove.
Ang DCC Bridge ay nagkokonekta sa iyong sariling computer sa web app sa pamamagitan ng isang maliit
na dcc-bridge connector, na nagbubukas ng dalawang kakayahan nang sabay-sabay:
Ang connector ay nagda-dial out sa isang authenticated WebSocket — walang inbound ports na kailangan, at ito ay gumagana sa likod ng NAT at firewalls. Tumatakbo ito sa Windows, macOS, at Linux (Python 3.10+).
dcc_brg_…)
at ang ready-to-paste connector command — ang token ay ipinapakita nang isang beses lamang.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 o wss://deepcerebra.io) — ang pairing card ay nagpi-prefill ng
tamang isa. Ang dalawang site ay magkahiwalay na deployment na may magkahiwalay na account at token.1234) na may loaded na model.Bilang default, ang mga command ay nakakulong sa isang dedikadong workspace folder (~/DeepCerebra). Upang gumana sa
iyong mga tunay na folder ng proyekto gamit ang iyong mga pre-configured na CLI, tahasan silang bigyan ng pahintulot kapag sinisimulan ang connector:
# 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-dirPagkatapos ay buksan ang panel ng Terminal, i-click ang popover ng Execution target (laptop icon), piliin ang My computer, at pumili ng working directory. Ang iyong mga na-type na command at ang mga build/test command ng agent ay pagkatapos ay ipapatupad sa iyong makina.
--no-exec ay gumagawa ng isang
device na inference-only (mga model ng GPU, walang command).Sa isang bukas na proyektong sinusuportahan ng Git, lumalabas ang isang branch bar sa Explorer na nagpapakita ng iyong kasalukuyang branch at dalawang aksyon:
main). Dapat ay nasa isang working branch ka, hindi ang default branch.Kung pinagana ang push webhook, awtomatikong nagre-refresh ang Explorer kapag nag-push ang mga kasamahan sa koponan, pinapanatili ang lahat na naka-sync — ang pundasyon para sa collaborative team development sa pamamagitan ng DeepCerebra.
Palawakin ang agent gamit ang mga panlabas na tool at data sa pamamagitan ng Model Context Protocol. I-configure
ang mga server sa isang .deepcerebra/mcp.json file, halimbawa:
{
"mcpServers": {
"my-tools": {
"url": "https://example.com/mcp",
"disabled": false,
"allowlist": ["search_issues", "get_pr"],
"autoApprove": ["create_issue"],
"auth": { "type": "bearer", "tokenEnv": "MY_TOKEN" }
}
}
}Ang mga pinaganang MCP tool ay awtomatikong nagiging available sa agent kapag ang mga ito ay nauugnay sa iyong kahilingan. Ang mga lokal
(stdio) at remote (http/sse) na server ay parehong sinusuportahan.
allowlist, tanging ang mga tool na iyon ang maaaring tumakbo.autoApprove.Kung ang isang server ay naglalantad ng mga MCP resources o prompt templates, awtomatikong nakakakuha ang agent
ng mga tool upang gamitin ang mga ito (mcp_list_resources, mcp_read_resource,
mcp_list_prompts, mcp_get_prompt).
Magdagdag ng auth block sa isang remote server. Sinusuportahan ng mga lihim ang ${ENV_VAR} interpolation:
// Static bearer token (literal or from env)
"auth": { "type": "bearer", "token": "${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"
}Maaari mong hubugin kung paano mag-isip at kumilos ang agent gamit ang isang solong, file-based na kombensyon — ang
.deepcerebra/ directory — na gumagana nang magkapareho sa desktop app, ang
web app, at ang API. Sa web app, pamahalaan ang lahat ng ito sa ilalim ng
Agent view; sa desktop at sa pamamagitan ng API ang mga ito ay simpleng file na iyong i-commit sa iyong proyekto.
Ang configuration ay natutuklasan mula sa ilang scope; kapag ang parehong item ay umiiral sa higit sa isa, ang mas mataas na precedence ang mananalo:
team/org < global (~/.deepcerebra) < workspace (<repo>/.deepcerebra)
(lowest) (highest)<repo>/.deepcerebra/…, na-commit sa proyekto.~/.deepcerebra/…, ang iyong personal na default sa lahat ng proyekto.Ang mga panuntunan ay persistent na instruksyon — mga coding standard, architecture convention, domain context — na inilalagay sa
system prompt ng agent. Ang mga ito ay nabubuhay bilang mga Markdown file sa ilalim ng .deepcerebra/steering/, kasama ang
palaging-aktibong AGENTS.md standard. Kinokontrol ng Frontmatter kung kailan maglo-load ang isang panuntunan:
---
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 — bawat turn (ang default).fileMatch — tanging kapag ang isang in-context file ay tumutugma sa globs.auto — kapag ang iyong kahilingan ay tumutugma sa name/description ng panuntunan.manual — tanging kapag tinukoy mo ito bilang #name o /name.Ang isang root AGENTS.md ay nalalapat sa buong repo; ang isang nested AGENTS.md (hal.
services/api/AGENTS.md) ay nalalapat lamang sa mga file sa ilalim ng folder na iyon. Sa web app, ang
view ng Agent → Steering ay nagbibigay sa bawat panuntunan ng isang Scope picker
(Global / Project / Team).
Ang mga kasanayan ay reusable na playbooks na nilo-load ng agent on demand. Ang bawat kasanayan ay isang folder na may
SKILL.md sa ilalim ng .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.Nakikita ng agent ang isang lightweight catalog (pangalan + paglalarawan) at kinukuha ang buong body gamit ang
load_skill tool kapag nauugnay. Maaari mo ring i-invoke ang isa nang tahasan gamit ang
/skill <name>. Itakda ang disable-model-invocation: true upang gawing manual-only ang isang kasanayan.
Ang mga hook ay nagpapatakbo ng automation sa mga lifecycle event. Tukuyin ang mga ito bilang .deepcerebra/hooks/*.hook.json:
{
"title": "Format on save",
"event": "fileSave",
"filePattern": ["**/*.ts"],
"action": { "type": "shell", "command": "npm run lint:fix -- $FILE" },
"enabled": true
}Kasama sa mga event ang promptSubmit, preToolUse, postToolUse,
fileCreate, fileSave, fileDelete, preTask,
postTask, sessionStart, preCompact, at agentStop
(tinatanggap din ang mga spelling ng Cursor/Claude). Ang isang aksyon ay alinman sa shell (magpatakbo ng command) o
agentPrompt (tanungin ang agent). Ang isang preToolUse hook ay maaaring allow,
deny, o ask para sa tool call na ini-intercept nito.
Ang mga subagent ay mga espesyalistang agent na iyong tinutukoy at ipinagkakatiwala. Ang bawat isa ay isang Markdown file sa ilalim ng
.deepcerebra/agents/ na may frontmatter kasama ang isang body (ang system prompt nito):
---
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…Ang pangunahing agent ay nagde-delegate gamit ang task (blocking), task_async +
task_status / task_result (background), o task_parallel (fan-out).
Ang isang plugin ay nagbubuklod ng mga panuntunan, kasanayan, hooks, subagents, at MCP servers sa isang installable package sa ilalim ng
.deepcerebra/plugins/<name>/, na inilarawan ng isang plugin.json manifest:
{
"name": "Acme Standards",
"version": "1.2.0",
"description": "Acme rules + skills + review agents.",
"enabled": true
}Ang mga nilalaman ng plugin ay pinagsama sa pinakamababang precedence, kaya ang iyong sariling mga panuntunan at kasanayan ay laging nag-o-override sa isang plugin.
I-disable ang isang plugin gamit ang "enabled": false o isang .disabled marker file.
DCC_ORG_CONFIG_DIR sa isang shared .deepcerebra directory, o sa pamamagitan ng pagtatakda ng mga panuntunan sa
Team scope sa web app.Ang Workflow Studio ay isang visual designer para sa multi-agent automation. Binubuo mo ang mga stage — bawat isa ay isang agent, isang espesyalistang hakbang, o isang control primitive — sa isang graph, ikinokonekta ang mga ito sa mga dependency, at pinapatakbo ang buong orchestration sa engine na may live na per-stage progress, budgets, at mga human-approval gate. Ang mga workflow ay nai-save bilang isang portable YAML/JSON definition na maaari mong i-export, i-import, i-version sa Git, at patakbuhin mula sa API o CLI.
| Uri ng stage | Ano ang ginagawa nito |
|---|---|
agent | Isang agent turn na may mga kasanayan at tool na iyong ikinakabit. |
spec.requirements / spec.design / spec.execute |
Spec-first delivery: draft requirements, design, pagkatapos ay hatiin sa mga gawain at ipatupad — bawat isa ay gateable. |
documents.generate | Gumawa ng isang pinakintab na dokumento mula sa mga naunang output ng stage. |
fan_out | Parallel wide-research sa maraming subtopic na may synthesis. |
map / loop / switch |
Mga control primitive: magpatakbo ng isang body per item, ulitin hanggang sa isang kondisyon, o mag-branch sa mga kaso. |
verify / browser_verify |
Magpatakbo ng mga test o command sa sandbox; i-verify ang isang tumatakbong UI gamit ang browser automation. |
orchestrate | Dynamic routing: isang orchestrator agent ang nagbabasa ng kahilingan at ipinapadala ito sa pinakamahusay na downstream agent(s) sa pamamagitan ng mga event. |
external.agent | Tumawag ng isang rehistradong third-party agent sa HTTP (A2A) na parang ito ay isang native stage. |
eval | I-score ang isang upstream output laban sa mga check (naglalaman / regex / haba / LLM-judge); bumagsak sa ibaba ng isang threshold. |
db.provision | Bumuo ng isang pag-aari na data layer: docker-compose para sa database,
versioned SQL migrations, seed data, .env template, at isang Mermaid ERD; opsyonal na auth scaffold;
maaaring mag-apply ng mga migration sa SQLite kaagad. |
ci.generate | Bumuo ng handa nang i-commit na CI/CD pipeline (GitHub Actions, GitLab CI, or Azure Pipelines) na may lint → test → scan → build → deploy at pag-promote ng kapaligiran. |
deploy.package | Bumuo ng mga production deployment asset: multi-stage Dockerfile, docker-compose, Kubernetes manifests, o isang Helm chart — mga file na pag-aari mo at i-commit. |
test.generate | Bumuo ng unit / API / E2E suites para sa built app kasama ang isang requirement-to-test na traceability matrix. |
test.verify | Ipatupad ang isang test suite (pytest, vitest, jest, Playwright) at i-gate ang run sa pass rate nito. |
security.audit | I-scan ang mga dependency para sa mga kilalang kahinaan at ang tree para sa hard-coded na mga lihim; nagpa-publish ng mga alert event at nagsusulat ng findings report. |
preview | Simulan ang nabuong app nang lokal at ilabas ang live URL nito sa run
panel (link + inline frame) sa pamamagitan ng isang preview.ready event. |
design.import | Gawing structured implementation spec para sa mga downstream stage ang isang UI design image (screenshot, mockup, Figma export). |
Ang bawat stage — anuman ang uri — ay maaaring mag-publish at mag-subscribe sa mga typed event sa workspace event bus, kaya ang mga agent ay nagko-coordinate tulad ng mga serbisyo sa isang message fabric sa halip na sa pamamagitan lamang ng DAG:
lifecycle, agent,
business, data, system, schedule, chat,
external, o alert — filterable sa mga subscription at replay.trigger (tumatakbo ang stage kapag dumating ang isang tumutugmang event; ang isang
run na may parked stages ay nananatiling resident bilang listening), gate (isang machine gate na inaprubahan ng
isang event sa halip na isang human click), at data (ang payload ay pinagsama sa
konteksto ng stage).agent.<stage-id>.request.triggers: block ng isang workflow ay nag-aarmas dito upang magsimula sa inbound
webhooks, cron schedules, events, o chat — kahit na sarado ang
Studio.Ang mga ahente na tumutugon sa mga kaganapan ay maaaring magdeklara ng isang matibay na pinangalanang pila upang ang mga tumutugmang kaganapan ay hindi kailanman mawala habang abala ang ahente o bago pa man makinig ang isang pagpapatakbo. Sa isang trigger subscription, itakda ang queue: <name> — ikinakabit ng engine ang paksang iyon sa isang FIFO queue sa workspace event bus (na pinapanatili sa ilalim ng .deepcerebra/workflows/events/queues/). Ang bawat tumutugmang kaganapan na inilathala mula sa puntong iyon ay kinukuha sa pila; kapag naging runnable ang stage, kinukuha ng engine ang mga kaganapan sa pagkakasunod-sunod na pinakaluma-muna at kinokonsumo ang mga ito nang paisa-isa.
count bawat subscription — nangangailangan ng N na nakapila (o naihatid) na kaganapan bago matugunan ang subscription (kapaki-pakinabang kapag maraming manggagawa ang kailangang mag-ulat).GET /api/workflow/queues ang lalim at mga binding; sinisilip ng GET /api/workflow/queues/{name} ang mga nakabinbing kaganapan; maaaring tawagan ng mga chat agent ang event_queue_status at pop_queued_event.events:
subscribe:
- topic: ticket.created
mode: trigger
queue: triage-inbox # durable FIFO — events wait here for this agent
map:
payload.ticket_id: ticket_idAng isang semaphore ay naglilimita kung gaano karaming gawain ang maaaring sabay-sabay na gumana sa isang nakabahaging (protektadong) resource: isang database na sinusulatan, isang global variable store, isang file, o isang rate-limited na external agent. Ikabit ang isa sa anumang stage gamit ang semaphore: — bago tumakbo ang gawain ng stage, kinukuha ng engine ang isang permit ng pinangalanang workspace semaphore; ang permit ay palaging inilalabas pagkatapos, kahit na mag-fail ang stage. Ginagawa itong mutex ng permits: 1: isang gawain lamang sa isang pagkakataon (sa lahat ng parallel run sa workspace) ang nagsasagawa ng kritikal na hakbang; naghihintay ang bawat iba pang gawain hanggang matapos ang may hawak.
timeout_s para sa isang permit; kung ang resource ay mananatili sa kapasidad, ang stage ay malinaw na mag-fail sa halip na nakabitin nang walang hanggan.ttl_s; kung ang isang may hawak ay mag-crash nang hindi naglalabas, awtomatikong mag-e-expire ang permit upang ang resource ay hindi kailanman ma-dead-lock.semaphore.<name>.waiting, .acquired, at .released na mga system event; ipinapakita ng GET /api/workflow/semaphores ang kapasidad, mga may hawak, at mga available na permit.acquire_semaphore, release_semaphore, at semaphore_status ay nagko-coordinate ng ad-hoc na kritikal na seksyon sa labas ng isang workflow.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 minutesAng Rendezvous ay naghihintay hanggang ang maraming kondisyon ng kaganapan ay matugunan bago magpatuloy ang susunod na hakbang — ang kabaligtaran ng "unang kaganapan ang mananalo." Itakda ang join: all sa events: block ng stage: bawat trigger subscription ay dapat matugunan bago tumakbo ang stage. Pagsamahin sa count: N bawat subscription kapag maraming ahente (o maraming ulat mula sa isang ahente) ang dapat mag-check in — halimbawa, pag-apruba ng disenyo, pagkumpleto ng pagsubok, at pag-apruba ng seguridad bago isagawa ang isang release stage.
join: any (default) — tumatakbo ang stage kapag natugunan ang unang trigger subscription.join: all — rendezvous: ang bawat trigger subscription (bawat isa ay may sariling topic, class filter, at opsyonal na count) ay dapat matugunan; pagkatapos lamang nito magiging runnable ang stage.trigger_events at inilalantad sa mga template bilang inputs.events (isang listahan ng mga event object na may mga payload).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: 1Ang mga stage ay pumipili ng mga tool mula sa parehong registry na ginagamit ng chat agent:
create_database, apply_migrations, at dump_schema para sa mga pag-aari na data
layer.docker_build / docker_push, compose up/down, SSH at
cloud-CLI deploys (Fly, Render, Railway, Vercel), simulation-safe din.Class.method) sa matematika, signal processing, controls, statistics, at marami pa./v1 API ang mga run, event, trigger, template, at generation para sa CI at mga integration.db.provision → implementation → generated tests → security audit → deploy packaging →
CI generation, na may human gate bago ang packaging — isang kumpletong brief-to-production path na maaari mong iakma sa
ilang minuto.Nag-aalok ang Predictive Tab completion ng inline, fill-in-the-middle na mga suhestiyon sa code habang nagta-type ka sa editor — tanggapin ang isang suhestiyon gamit ang Tab. Ito ay opt-in sa parehong engine at web editor.
DCC_TAB_COMPLETE=1. Tinatawag ng editor ang
POST /api/complete endpoint ng engine, na nagbabalik lamang ng text na ipapasok sa cursor.VITE_TAB_COMPLETE=1, o sa runtime gamit ang
localStorage.setItem('dcc.tabComplete', '1') (pagkatapos ay i-reload).Buksan ang Billing mula sa sidebar upang pamahalaan ang iyong plano at paggamit. Ang paggamit ng AI ay metered sa U.S.-dollar credits batay sa mga token na kinokonsumo ng mga pinagbabatayang model.
| Plano | Buwanang presyo | Kasama na buwanang paggamit ng AI |
|---|---|---|
| Basic | $20 | $10 |
| Pro | $75 | $30 |
| Ultimate | $200 | $150 |
Ang isang gateway API key (isang personal access token) ay nagbibigay-daan sa iyo na gamitin ang DeepCerebra public API at CLI programmatically.
read, chat, code, agent
— at isang opsyonal na expiry sa mga araw (blangko = hindi kailanman).Gamitin ito sa CLI o sa API sa 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/...Maaari mong palitan ang pangalan o tanggalin (bawiin) ang isang key anumang oras; ipinapakita ng bawat key ang prefix nito, mga scope, created/expiry, at huling ginamit na petsa.
Lumipat sa Chrome, Edge, o Brave, o gamitin ang Open from Git sa halip.
I-click ang Stop, pagkatapos ay muling i-phrase gamit ang isang konkretong pahiwatig o limitasyon.
dcc-bridge connector at ang device ay nagpapakita ng online.1234) na may
loaded na model.--gateway
(wss://deepcerebra.ai o wss://deepcerebra.io) — ang dalawang site ay magkahiwalay
na deployment, at ang isang token mula sa isa ay hindi kailanman gagana sa isa pa.Magbukas o gumawa ng working branch bago gamitin ang Integrate upang magbukas ng pull request.
Naiipit pa rin? Makipag-ugnayan sa support@deepcerebra.ai.
Ang Discovery ay isang investigative chatbot para sa iyong mga database at dokumento.
Sa halip na sumagot gamit ang isang query, gumagana ito tulad ng isang analyst: bumubuo ito ng mga haka-haka,
nagpapatakbo ng serye ng mga binabantayang pagsisiyasat (SQL, graph, paghahanap ng dokumento, pagsusuri ng schema, pagpapatunay sa web), tinatanggal ang mga paliwanag na pinabulaanan ng ebidensya, at bumubuo ng isang batay na sagot — na may mga chart at isang
transparent na resibo ng gastos. Buksan ito mula sa icon ng compass sa activity rail
(/app/discovery).
Ang isang Space ay pinagsasama ang lahat ng kailangan ng isang linya ng pagtatanong: mga koneksyon sa database, koleksyon ng dokumento, mga tagubilin para sa analyst, at mga badyet. Gumawa ng isa gamit ang + Bagong space, pagkatapos ay gamitin ang setup panel sa kanan upang:
Mag-type ng tanong sa paraan ng pagtatanong mo sa isang kasamahan — halimbawa "Bakit bumaba ang volume ng MRI scan noong Marso?". Ang investigation board ay nag-stream ng buong proseso nang live:
Ang mga follow-up na tanong ay nagpapatuloy sa parehong thread, kaya pinapanatili ng analyst ang konteksto nito.
Ang mga chart ay nagre-render nang inline sa investigation board. Gamitin ang Export upang i-download ang buong tanong — ang sagot, mga haka-haka, ebidensya, at mga chart — bilang isang self-contained na HTML report o isang print-quality na PDF, na naka-istilo gamit ang neon design system.
Bawat space ay may mga badyet sa bawat tanong: isang maximum na bilang ng mga pagsisiyasat, mga round ng imbestigasyon, segundo, at USD. Ang engine ay humihinto nang malinis sa limitasyon at nag-uulat kung ano ang natagpuan nito sa ngayon. Ang gastos ng bawat pagsisiyasat ay nakalista sa resibo, kaya palagi mong alam kung saan napunta ang gastos.
/v1/discovery/* na may
PAT na nagdadala ng discovery scope (likhain ito sa ilalim ng Account → API Tokens).
Ang mga streaming ask ay gumagamit ng SSE. Ang mga external executor ay maaaring humiram lamang ng investigative planning sa pamamagitan ng Thinking API
(/v1/think/*, scope think).pip install deepcerebra-discovery, pagkatapos ay
DiscoveryClient(base_url, token).ask(space_id, question).discovery.ask) sa anumang workflow upang magpatakbo ng imbestigasyon bilang isang pipeline step; ang sagot,
mga chart, at resibo ay dumadaloy sa mga downstream stage.discovery_ask at
discovery_list_spaces bilang mga tool ng MCP, kaya ang mga external na kliyente ng MCP ay maaari ring magpatakbo ng mga imbestigasyon.