DeepCerebra Coder est un assistant de codage agentique. Contrairement à un copilot d'autocomplétion simple, il planifie, écrit, refactorise, exécute des commandes, appelle des outils et itère sur l'ensemble de votre projet — avec vous qui examinez et approuvez les modifications qu'il propose.
| Édition | Idéal pour | Accès aux fichiers |
|---|---|---|
| Application web | Sans installation, travaillez depuis n'importe quelle machine | Stockage confidentiel dans le navigateur (et dépôts Git) |
| Bureau (Windows / Linux / macOS) | Développement local d'abord, modèles locaux | Système de fichiers local direct |
| CLI & API | Scripting, CI/CD, automatisation | Fichiers locaux / programmatique |
Ce guide se concentre sur l'application web à l'adresse deepcerebra.ai ; l'application de bureau reflète les mêmes panneaux et flux de travail.
Utilisez une version actuelle de Chrome, Edge ou Brave pour une expérience complète — l'ouverture d'un dossier local repose sur l'API Chromium File System Access. Firefox et Safari fonctionnent pour le chat et les projets basés sur Git, mais ne peuvent pas ouvrir directement un dossier local.
/register?plan=basic (ou pro / ultimate), ou commencer maintenant et choisir un plan
plus tard dans Facturation.Après vous être connecté, vous arrivez dans l'environnement de travail, qui regroupe tous les panneaux sur un seul écran :
Faites glisser le séparateur entre l'éditeur et le chat pour rééquilibrer la mise en page, et faites glisser le séparateur horizontal pour redimensionner le terminal. La barre latérale gauche permet également de naviguer vers Espace de travail, Extensions, Clés API, Facturation et Commentaires.
repo (classique) ou un jeton à granularité fine avec Contenus + Demandes de tirage ; pour
GitLab, utilisez le scope api. Votre jeton est stocké sur le serveur — seuls les contenus des fichiers sont extraits
dans le navigateur.owner/name (filtrez la liste pour trouver le vôtre), puis choisissez une
branche.dcc/my-feature) pour isoler votre
travail de la branche par défaut.L'historique du chat est lié au projet ouvert. Le changement de dossier démarre automatiquement une nouvelle session et charge les sessions précédentes de ce dossier, rouvrant la plus récente afin que vous puissiez reprendre là où vous vous étiez arrêté.
Les dossiers que DeepCerebra utilise en interne — .deepcerebra, .sessions — apparaissent dans l'arborescence
mais sont réduits par défaut afin de ne pas encombrer votre source.
Décrivez ce que vous voulez en langage clair — posez une question, demandez une fonctionnalité ou signalez un bug. Soyez précis sur les fichiers, les frameworks et les contraintes pour obtenir le meilleur résultat. Joignez les fichiers pertinents en les faisant glisser dans l'invite.
Les réponses sont organisées comme Cursor : le raisonnement de l'agent est séparé du livrable. Chaque bloc de réponse a une icône de copie dans son coin supérieur droit afin que vous puissiez copier un rapport, un document ou une commande que vous êtes censé exécuter.
lxml au lieu de html.parser") pour sortir l'agent d'une
boucle.@deepcerebra, et des préfixes comme [deep] demandent un raisonnement plus approfondi.Choisissez un mode dans le sélecteur de mode à côté de l'invite. Chaque mode ajuste la quantité de planification de l'agent et la liberté avec laquelle il édite :
| Mode | Ce qu'il fait | Utiliser quand… |
|---|---|---|
| Agent | Planifie et édite votre projet de manière autonome | Vous voulez que l'assistant implémente une modification de bout en bout |
| Demander | Répond aux questions sur votre code sans le modifier | Vous voulez comprendre la base de code |
| Planifier | Élabore une approche avant toute modification | La tâche est importante ou comporte des compromis à régler en premier |
| Éditer | Effectue des modifications ciblées dans le contexte actuel | Vous voulez une petite modification ciblée |
Lorsque l'agent propose des modifications de fichiers, un panneau Modifications proposées apparaît au-dessus de l'entrée du chat, listant chaque fichier modifié avec le nombre de lignes ajoutées (+) et supprimées (−).
applied (et · disk lorsqu'elles sont écrites dans un dossier réel).Activez le terminal sous l'éditeur pour exécuter des builds, des tests et des scripts. Avec votre autorisation, l'agent peut exécuter des commandes et lire leur sortie pour vérifier son travail ; les commandes de longue durée diffusent leur sortie afin que vous puissiez suivre la progression. Fermez le terminal depuis son en-tête lorsque vous n'en avez pas besoin.
Pour des objectifs plus importants, utilisez le mode Plan (ou demandez à l'agent de planifier d'abord). Le planificateur scanne votre projet, décompose l'objectif en tâches tenant compte des dépendances, et attribue chaque tâche au spécialiste approprié (architecte, codeur, testeur, documentation).
Ouvrez le sélecteur de modèle à côté de l'invite. Les options sont regroupées comme suit :
En mode Auto, DeepCerebra utilise un routage adaptatif et hiérarchisé : les tâches simples sont dirigées vers un modèle rapide et économique, tandis que les travaux complexes ou nécessitant une planification importante (par exemple, le mode Plan) sont acheminés vers un modèle plus puissant. Cela équilibre automatiquement le coût et la qualité, de sorte que vous avez rarement besoin de choisir manuellement.
Vous pouvez acheminer les requêtes via votre propre compte fournisseur au lieu de l'utilisation mesurée de la plateforme.
ANTHROPIC_API_KEY,
GOOGLE_API_KEY, OPENAI_API_KEY).Les modèles de plateforme (DeepCerebra) n'ont pas besoin de clé. Supprimez une clé à tout moment avec Supprimer.
Le DCC Bridge connecte votre propre ordinateur à l'application web via un petit
connecteur dcc-bridge, débloquant deux capacités à la fois :
Le connecteur se connecte en sortie via un WebSocket authentifié — aucun port entrant n'est nécessaire, et il fonctionne derrière les NAT et les pare-feu. Il fonctionne sur Windows, macOS et Linux (Python 3.10+).
dcc_brg_…)
et la commande du connecteur prête à être collée — le jeton n'est affiché qu'une seule fois.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 ou wss://deepcerebra.io) — la carte d'appairage préremplit le
bon. Les deux sites sont des déploiements distincts avec des comptes et des jetons séparés.1234) avec un modèle chargé.Par défaut, les commandes sont confinées à un dossier d'espace de travail dédié (~/DeepCerebra). Pour travailler dans
vos vrais dossiers de projet avec vos CLI préconfigurés, accordez-leur explicitement l'accès lors du démarrage du connecteur :
# 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-dirOuvrez ensuite le panneau Terminal, cliquez sur le popover Cible d'exécution (icône d'ordinateur portable), choisissez Mon ordinateur et sélectionnez un répertoire de travail. Vos commandes tapées et les commandes de build/test de l'agent sont alors exécutées sur votre machine.
--no-exec rend un
appareil uniquement d'inférence (modèles GPU, pas de commandes).Avec un projet basé sur Git ouvert, une barre de branche apparaît dans l'Explorateur, affichant votre branche actuelle et deux actions :
main). Vous devez être sur une branche de travail, pas sur la branche par défaut.Si le webhook de push est activé, l'Explorateur se rafraîchit automatiquement lorsque les coéquipiers poussent des modifications, gardant tout le monde synchronisé — la base du développement collaboratif en équipe via DeepCerebra.
Étendez l'agent avec des outils et des données externes via le Model Context Protocol. Configurez
les serveurs dans un fichier .deepcerebra/mcp.json, par exemple :
{
"mcpServers": {
"my-tools": {
"url": "https://example.com/mcp",
"disabled": false,
"allowlist": ["search_issues", "get_pr"],
"autoApprove": ["create_issue"],
"auth": { "type": "bearer", "tokenEnv": "MY_TOKEN" }
}
}
}Les outils MCP activés deviennent automatiquement disponibles pour l'agent lorsqu'ils sont pertinents pour votre requête. Locaux
(stdio) et distants (http/sse) sont tous deux pris en charge.
allowlist, seuls ces outils peuvent s'exécuter.autoApprove.Si un serveur expose des ressources MCP ou des modèles d'invite, l'agent
acquiert automatiquement des outils pour les utiliser (mcp_list_resources, mcp_read_resource,
mcp_list_prompts, mcp_get_prompt).
Ajoutez un bloc auth à un serveur distant. Les secrets prennent en charge l'interpolation ${ENV_VAR} :
// Static bearer token (literal or from env)
"auth": { "type": "bearer", "token": "${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"
}Vous pouvez façonner la façon dont l'agent pense et agit avec une convention unique basée sur des fichiers — le
répertoire .deepcerebra/ — qui fonctionne de manière identique dans l'application de bureau, l'
application web et l'API. Dans l'application web, gérez tout cela sous la
vue Agent ; sur le bureau et via l'API, ce sont des fichiers simples que vous commitez avec votre projet.
La configuration est découverte à partir de plusieurs portées ; lorsqu'un même élément existe dans plus d'une, la celle de plus haute précédence l'emporte :
team/org < global (~/.deepcerebra) < workspace (<repo>/.deepcerebra)
(lowest) (highest)<repo>/.deepcerebra/…, commité avec le projet.~/.deepcerebra/…, vos paramètres personnels par défaut pour tous les projets.Les règles sont des instructions persistantes — normes de codage, conventions d'architecture, contexte de domaine — injectées dans
l'invite système de l'agent. Elles résident sous forme de fichiers Markdown sous .deepcerebra/steering/, plus la
norme AGENTS.md toujours active. Le frontmatter contrôle quand une règle est chargée :
---
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 — à chaque tour (par défaut).fileMatch — uniquement lorsqu'un fichier en contexte correspond à globs.auto — lorsque votre requête correspond au name/description de la règle.manual — uniquement lorsque vous y faites référence comme #name ou /name.Un AGENTS.md racine s'applique à l'ensemble du dépôt ; un AGENTS.md imbriqué (par exemple
services/api/AGENTS.md) s'applique uniquement aux fichiers sous ce dossier. Dans l'application web, la
vue Agent → Pilotage donne à chaque règle un sélecteur de Portée
(Global / Projet / Équipe).
Les compétences sont des guides réutilisables que l'agent charge à la demande. Chaque compétence est un dossier contenant un
fichier SKILL.md sous .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.L'agent voit un catalogue léger (nom + description) et extrait le corps complet avec l'outil
load_skill lorsque cela est pertinent. Vous pouvez également en invoquer un explicitement avec
/skill <name>. Définissez disable-model-invocation: true pour rendre une compétence uniquement manuelle.
Les Hooks exécutent l'automatisation sur les événements de cycle de vie. Définissez-les comme .deepcerebra/hooks/*.hook.json :
{
"title": "Format on save",
"event": "fileSave",
"filePattern": ["**/*.ts"],
"action": { "type": "shell", "command": "npm run lint:fix -- $FILE" },
"enabled": true
}Les événements incluent promptSubmit, preToolUse, postToolUse,
fileCreate, fileSave, fileDelete, preTask,
postTask, sessionStart, preCompact et agentStop
(les orthographes Cursor/Claude sont également acceptées). Une action est soit shell (exécuter une commande) soit
agentPrompt (demander à l'agent). Un hook preToolUse peut autoriser,
refuser ou demander l'appel d'outil qu'il intercepte.
Les sous-agents sont des agents spécialisés que vous définissez et auxquels vous déléguez. Chacun est un fichier Markdown sous
.deepcerebra/agents/ avec un frontmatter et un corps (son invite système) :
---
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…L'agent principal délègue avec task (bloquant), task_async +
task_status / task_result (en arrière-plan), ou task_parallel (fan-out).
Un plugin regroupe des règles, des compétences, des hooks, des sous-agents et des serveurs MCP en un seul package installable sous
.deepcerebra/plugins/<name>/, décrit par un manifeste plugin.json :
{
"name": "Acme Standards",
"version": "1.2.0",
"description": "Acme rules + skills + review agents.",
"enabled": true
}Le contenu des plugins est fusionné à la précédence la plus basse, de sorte que vos propres règles et compétences remplacent toujours celles d'un plugin.
Désactivez un plugin avec "enabled": false ou un fichier marqueur .disabled.
DCC_ORG_CONFIG_DIR vers un répertoire .deepcerebra partagé, ou en définissant les règles sur la
portée Équipe dans l'application web.Le Workflow Studio est un concepteur visuel pour l'automatisation multi-agents. Vous composez des étapes — chacune étant un agent, une étape spécialisée ou une primitive de contrôle — en un graphe, les connectez avec des dépendances, et exécutez l'orchestration complète sur le moteur avec une progression en direct par étape, des budgets et des portes d'approbation humaine. Les flux de travail sont enregistrés sous forme de définition YAML/JSON portable que vous pouvez exporter, importer, versionner dans Git et exécuter depuis l'API ou la CLI.
| Type d'étape | Ce qu'il fait |
|---|---|
agent | Un tour d'agent avec les compétences et les outils que vous attachez. |
spec.requirements / spec.design / spec.execute |
Livraison axée sur les spécifications : ébaucher les exigences, la conception, puis décomposer en tâches et exécuter — chaque étape étant contrôlable par une porte. |
documents.generate | Produire un document soigné à partir des sorties des étapes précédentes. |
fan_out | Recherche parallèle étendue sur de nombreux sous-sujets avec synthèse. |
map / loop / switch |
Primitives de contrôle : exécuter un corps par élément, répéter jusqu'à une condition, ou bifurquer selon les cas. |
verify / browser_verify |
Exécuter des tests ou des commandes dans le bac à sable ; vérifier une interface utilisateur en cours d'exécution avec l'automatisation du navigateur. |
orchestrate | Routage dynamique : un agent orchestrateur lit la requête et la distribue aux meilleurs agents en aval via des événements. |
external.agent | Appeler un agent tiers enregistré via HTTP (A2A) comme s'il s'agissait d'une étape native. |
eval | Évaluer une sortie amont par rapport à des vérifications (contient / regex / longueur / LLM-judge) ; échouer en dessous d'un seuil. |
db.provision | Générer une couche de données possédée : docker-compose pour la base de données,
migrations SQL versionnées, données d'amorçage, modèle .env et un ERD Mermaid ; échafaudage d'authentification facultatif ;
peut appliquer immédiatement les migrations à SQLite. |
ci.generate | Générer un pipeline CI/CD prêt à être commité (GitHub Actions, GitLab CI, ou Azure Pipelines) avec lint → test → scan → build → deploy et promotion d'environnement. |
deploy.package | Générer des actifs de déploiement de production : Dockerfile multi-étapes, docker-compose, manifestes Kubernetes ou un graphique Helm — fichiers que vous possédez et commitez. |
test.generate | Générer des suites de tests unitaires / API / E2E pour l'application construite, plus une matrice de traçabilité des exigences aux tests. |
test.verify | Exécuter une suite de tests (pytest, vitest, jest, Playwright) et contrôler l'exécution en fonction de son taux de réussite. |
security.audit | Analyser les dépendances pour les vulnérabilités connues et l'arborescence pour les secrets codés en dur ; publie des événements d'alerte et rédige un rapport de constatations. |
preview | Démarrer l'application générée localement et afficher son URL en direct dans le panneau d'exécution
(lien + cadre intégré) via un événement preview.ready. |
design.import | Transformer une image de conception d'interface utilisateur (capture d'écran, maquette, exportation Figma) en une spécification d'implémentation structurée pour les étapes en aval. |
Chaque étape — quel que soit son type — peut publier et s'abonner à des événements typés sur le bus d'événements de l'espace de travail, de sorte que les agents se coordonnent comme des services sur un tissu de messages plutôt que seulement via le DAG :
lifecycle, agent,
business, data, system, schedule, chat,
external, ou alert — filtrable dans les abonnements et la relecture.trigger (l'étape s'exécute lorsqu'un événement correspondant arrive ; une
exécution avec des étapes en attente reste résidente en tant qu'écoute), gate (une porte machine approuvée par
un événement au lieu d'un clic humain), et data (la charge utile est fusionnée dans le contexte de l'étape).agent.<stage-id>.request.triggers: d'un flux de travail l'arme pour démarrer sur des
webhooks entrants, des planifications cron, des événements ou le chat — même
lorsque le Studio est fermé.Les agents qui réagissent aux événements peuvent déclarer une file d'attente nommée durable afin que les événements correspondants ne soient jamais perdus pendant que l'agent est occupé ou avant qu'une exécution n'écoute. Lors d'une souscription de déclencheur, définissez
queue: <name> — le moteur lie ce sujet à une file d'attente FIFO sur le bus d'événements de l'espace de travail (persistante sous .deepcerebra/workflows/events/queues/). Chaque événement correspondant publié à partir de ce
moment est capturé dans la file d'attente ; lorsque l'étape devient exécutable, le moteur extrait les événements dans l'ordre du plus ancien au plus récent et les consomme un par un.
count par souscription — exige N événements mis en file d'attente (ou livrés)
avant que la souscription ne soit satisfaite (utile lorsque plusieurs travailleurs doivent faire leur rapport).GET /api/workflow/queues liste la profondeur et les liaisons ;
GET /api/workflow/queues/{name} affiche les événements en attente ; les agents de chat peuvent appeler
event_queue_status et 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_idUn sémaphore limite le nombre de tâches pouvant opérer simultanément sur une ressource partagée (protégée) :
une base de données en cours d'écriture, un magasin de variables globales, un fichier ou un agent externe à débit limité. Attachez-en un à n'importe
quelle étape avec semaphore: — avant l'exécution du travail de l'étape, le moteur acquiert un jeton du sémaphore nommé
de l'espace de travail ; le jeton est toujours libéré par la suite, même si l'étape échoue.
permits: 1 en fait un mutex : une seule tâche à la fois (parmi toutes les exécutions parallèles dans
l'espace de travail) exécute l'étape critique ; toutes les autres tâches attendent que le détenteur ait terminé.
timeout_s pour un jeton ; si la
ressource reste à pleine capacité, l'étape échoue visiblement au lieu de se bloquer indéfiniment.ttl_s ; si un détenteur plante sans
le libérer, le jeton expire automatiquement afin que la ressource ne soit jamais bloquée.semaphore.<name>.waiting,
.acquired et .released ; GET /api/workflow/semaphores
affiche la capacité, les détenteurs et les jetons disponibles.acquire_semaphore, release_semaphore et
semaphore_status coordonnent des sections critiques ad hoc en dehors d'un 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 minutesLe rendez-vous attend que plusieurs conditions d'événement soient toutes remplies avant que l'étape suivante
ne se poursuive — l'opposé de « le premier événement gagne ». Définissez join: all sur le bloc events: de l'étape :
chaque souscription de déclencheur doit être satisfaite avant que l'étape ne s'exécute. Combinez avec
count: N par souscription lorsque plusieurs agents (ou plusieurs rapports d'un même agent) doivent tous se présenter —
par exemple, l'approbation de la conception, l'achèvement des tests et l'approbation de la sécurité avant l'exécution d'une étape de publication.
join: any (par défaut) — l'étape s'exécute lorsque la première souscription de déclencheur est
satisfaite.join: all — rendez-vous : chaque souscription de déclencheur (chacune avec son propre sujet,
filtre de classe et count optionnel) doit être satisfaite ; ce n'est qu'alors que l'étape devient exécutable.trigger_events
et exposés aux modèles en tant que inputs.events (une liste d'objets événementiels avec des charges utiles).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: 1Les étapes choisissent les outils dans le même registre que celui utilisé par l'agent de chat :
create_database, apply_migrations et dump_schema pour les couches de données possédées.docker_build / docker_push, compose up/down, déploiements SSH et cloud-CLI
(Fly, Render, Railway, Vercel), également sécurisés en simulation.Class.method) couvrant les mathématiques, le traitement du signal, les contrôles, les statistiques, et plus encore./v1 expose les exécutions, les événements, les déclencheurs, les modèles et la génération pour la CI et les intégrations.db.provision → implémentation → tests générés → audit de sécurité → empaquetage de déploiement →
génération CI, avec une porte humaine avant l'empaquetage — un chemin complet du brief à la production que vous pouvez adapter en quelques minutes.La complétion prédictive par tabulation offre des suggestions de code en ligne, à compléter au milieu, pendant que vous tapez dans l'éditeur — acceptez une suggestion avec Tab. Elle est optionnelle à la fois sur le moteur et sur l'éditeur web.
DCC_TAB_COMPLETE=1. L'éditeur appelle le
point de terminaison POST /api/complete du moteur, qui renvoie uniquement le texte à insérer au curseur.VITE_TAB_COMPLETE=1, ou à l'exécution avec
localStorage.setItem('dcc.tabComplete', '1') (puis rechargez).Ouvrez Facturation depuis la barre latérale pour gérer votre plan et votre utilisation. L'utilisation de l'IA est mesurée en crédits en dollars américains, basés sur les jetons consommés par les modèles sous-jacents.
| Plan | Prix mensuel | Utilisation mensuelle de l'IA incluse |
|---|---|---|
| Basique | $20 | $10 |
| Pro | $75 | $30 |
| Ultime | $200 | $150 |
Une clé API de passerelle (un jeton d'accès personnel) vous permet d'utiliser l'API publique DeepCerebra et la CLI de manière programmatique.
read, chat, code, agent
— et une expiration facultative en jours (vide = jamais).Utilisez-la avec la CLI ou l'API à l'adresse 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/...Vous pouvez renommer ou supprimer (révoquer) une clé à tout moment ; chaque clé affiche son préfixe, ses scopes, sa date de création/expiration et sa date de dernière utilisation.
Passez à Chrome, Edge ou Brave, ou utilisez plutôt Ouvrir depuis Git.
Cliquez sur Arrêter, puis reformulez avec un indice ou une contrainte concrète.
dcc-bridge est en cours d'exécution et que l'appareil affiche en ligne.1234) avec un
modèle chargé.--gateway
(wss://deepcerebra.ai ou wss://deepcerebra.io) — les deux sites sont des déploiements distincts,
et un jeton de l'un ne fonctionne jamais sur l'autre.Ouvrez ou créez une branche de travail avant d'utiliser Intégrer pour ouvrir une pull request.
Toujours bloqué ? Contactez support@deepcerebra.ai.
Discovery est un chatbot d'investigation pour vos bases de données et documents.
Au lieu de répondre par une simple requête, il fonctionne comme un analyste : il formule des hypothèses,
exécute une série de sondes contrôlées (SQL, graphe, recherche de documents, vérifications de schémas, corroboration web), élimine les
explications que les preuves réfutent, et synthétise une réponse fondée — avec des graphiques et un
reçu de coût transparent. Ouvrez-le depuis l'icône de la boussole dans la barre d'activités
(/app/discovery).
Un Espace regroupe tout ce dont une ligne de questionnement a besoin : connexions aux bases de données, collections de documents, instructions pour l'analyste et budgets. Créez-en un avec + Nouvel espace, puis utilisez le panneau de configuration à droite pour :
Tapez une question comme vous la poseriez à un collègue — par exemple « Pourquoi le volume des scanners IRM a-t-il chuté en mars ? ». Le tableau d'investigation diffuse l'ensemble du processus en direct :
Les questions de suivi continuent le même fil de discussion, de sorte que l'analyste conserve son contexte.
Les graphiques s'affichent en ligne sur le tableau d'investigation. Utilisez Exporter pour télécharger la demande complète — la réponse, les hypothèses, les preuves et les graphiques — sous forme de rapport HTML autonome ou de PDF de qualité impression, stylisé avec le système de conception néon.
Chaque espace dispose de budgets par demande : un nombre maximum de sondes, de tours d'investigation, de secondes et de dollars américains. Le moteur s'arrête proprement à la limite et rapporte ce qu'il a trouvé jusqu'à présent. Le coût de chaque sonde est détaillé sur le reçu, afin que vous sachiez toujours où les dépenses ont été engagées.
/v1/discovery/* avec un
PAT portant le scope discovery (créez-le sous Compte → Jetons API).
Les demandes en streaming utilisent SSE. Les exécuteurs externes peuvent emprunter uniquement la planification d'investigation via l'API Thinking
(/v1/think/*, scope think).pip install deepcerebra-discovery, puis
DiscoveryClient(base_url, token).ask(space_id, question).discovery.ask) dans n'importe quel workflow pour exécuter une investigation comme étape de pipeline ; la réponse,
les graphiques et le reçu sont transmis aux étapes suivantes.discovery_ask et
discovery_list_spaces comme outils MCP, afin que les clients MCP externes puissent également exécuter des investigations.