DeepCerebra Coder-ը agentic կոդավորման օգնական է։ Ի տարբերություն պարզ autocomplete copilot-ի, այն plans, writes, refactors, runs commands, calls tools և iterates Ձեր ամբողջ նախագծի վրա՝ Ձեր կողմից վերանայելով և հաստատելով իր առաջարկած փոփոխությունները։
| Թողարկում | Լավագույնը | Ֆայլի մուտք |
|---|---|---|
| Web app | Զրոյական տեղադրում, աշխատանք ցանկացած մեքենայից | Գաղտնի ներբրաուզերային պահեստ (և Git repos) |
| Desktop (Windows / Linux / macOS) | Local-first մշակում, local models | Ուղղակի տեղական ֆայլային համակարգ |
| CLI & API | Scripting, CI/CD, ավտոմատացում | Տեղական ֆայլեր / programmatic |
Այս ուղեցույցը կենտրոնանում է deepcerebra.ai կայքի web app-ի վրա. desktop app-ը արտացոլում է նույն panels-ը և workflows-ը։
Օգտագործեք Chrome, Edge կամ Brave-ի ընթացիկ տարբերակը լիարժեք փորձի համար. local folder բացելը հիմնված է Chromium File System Access API-ի վրա։ Firefox-ը և Safari-ն աշխատում են chat-ի և Git-backed projects-ի համար, բայց չեն կարող ուղղակիորեն բացել local folder։
/register?plan=basic (կամ pro / ultimate), կամ սկսել հիմա և ընտրել plan ավելի ուշ Billing բաժնում։Մուտք գործելուց հետո դուք հայտնվում եք workbench-ում, որը բոլոր pane-երը դնում է մեկ էկրանի վրա.
Քաշեք splitter-ը editor-ի և chat-ի միջև՝ layout-ը հավասարակշռելու համար, և քաշեք հորիզոնական splitter-ը՝ terminal-ի չափը փոխելու համար։ Ձախ sidebar-ը նաև տանում է դեպի Workspace, Extensions, API Keys, Billing և Feedback։
repo scope (classic) կամ fine-grained token Contents + Pull requests-ով. GitLab-ի համար օգտագործեք api scope։ Ձեր token-ը պահվում է server-ի վրա. միայն file contents-ն է քաշվում browser։owner/name (ֆիլտրեք ցուցակը՝ Ձերը գտնելու համար), այնուհետև ընտրեք branch։dcc/my-feature)՝ Ձեր աշխատանքը default branch-ից մեկուսացված պահելու համար։Chat history-ն կապված է բաց նախագծի հետ։ Folders-ը փոխելը ավտոմատ կերպով սկսում է նոր session և բեռնում այդ folder-ի նախորդ sessions-ը՝ վերաբացելով ամենավերջինը, որպեսզի կարողանաք շարունակել այնտեղից, որտեղից դադարեցրել եք։
Folders, որոնք DeepCerebra-ն օգտագործում է ներքին՝ .deepcerebra, .sessions — հայտնվում են tree-ում, բայց collapsed են by default, որպեսզի չխճճեն Ձեր source-ը։
Նկարագրեք, թե ինչ եք ուզում plain language-ով. տվեք հարց, խնդրեք feature կամ մատնանշեք bug։ Եղեք կոնկրետ files-ի, frameworks-ի և constraints-ի վերաբերյալ՝ լավագույն արդյունք ստանալու համար։ Կցեք համապատասխան files-ը՝ դրանք prompt-ի մեջ քաշելով։
Responses-ը կազմակերպված են Cursor-ի նման. գործակալի reasoning-ը առանձնացված է deliverable-ից։ Յուրաքանչյուր response block ունի copy icon իր վերին աջ անկյունում, որպեսզի կարողանաք copy անել ավարտված report, document կամ command, որը պետք է run անեք։
lxml html.parser-ի փոխարեն)՝ գործակալին loop-ից դուրս բերելու համար։@deepcerebra-ով, իսկ prefixes-ը, ինչպիսին է [deep], խնդրում են deeper reasoning։Ընտրեք mode prompt-ի կողքի mode selector-ից։ Յուրաքանչյուրը կարգավորում է, թե որքան է գործակալը plan անում և որքան ազատ է edit անում.
| Ռեժիմ | Ինչ է անում | Օգտագործել, երբ… |
|---|---|---|
| Agent | Plans և edits է անում Ձեր նախագծի վրա ինքնավար | Դուք ցանկանում եք, որ օգնականը end-to-end իրականացնի փոփոխություն |
| Ask | Պատասխանում է Ձեր կոդի մասին հարցերին՝ առանց editing-ի | Դուք ցանկանում եք հասկանալ codebase-ը |
| Plan | Drafts է անում մոտեցումը մինչև ցանկացած editing | Task-ը մեծ է կամ ունի trade-offs, որոնք պետք է նախ լուծվեն |
| Edit | Կատարում է focused edits ընթացիկ context-ում | Դուք ցանկանում եք փոքր, թիրախային փոփոխություն |
Երբ գործակալն առաջարկում է file changes, Proposed Changes panel է հայտնվում chat input-ի վերևում՝ ցուցակագրելով յուրաքանչյուր touched file-ը ավելացված (+) և հեռացված (−) line counts-ով։
applied (և · disk, երբ գրվում են իրական folder-ում)։Toggle արեք terminal-ը editor-ի տակ՝ builds, tests և scripts run անելու համար։ Ձեր թույլտվությամբ գործակալը կարող է execute անել commands և read անել դրանց output-ը՝ իր աշխատանքը verify անելու համար. long-running commands-ը stream են անում output-ը, որպեսզի կարողանաք դիտել progress-ը։ Close արեք terminal-ը դրա header-ից, երբ այն Ձեզ պետք չէ։
Ավելի մեծ goals-ի համար օգտագործեք Plan mode (կամ խնդրեք գործակալին նախ plan անել)։ Planner-ը scan է անում Ձեր նախագիծը, decomposes է անում goal-ը dependency-aware tasks-ի, և assigns է անում յուրաքանչյուրը ճիշտ specialist-ին (architect, coder, tester, docs)։
Բացեք model picker-ը prompt-ի կողքին։ Options-ը խմբավորված են որպես.
Auto-ի վրա DeepCerebra-ն օգտագործում է tiered, adaptive routing. simple tasks-ը գնում են fast, economical model-ի, մինչդեռ complex կամ planning-heavy աշխատանքը (օրինակ՝ Plan mode) ուղղորդվում է stronger model-ի։ Սա ավտոմատ կերպով balances է անում cost-ը և quality-ն, այնպես որ հազվադեպ է անհրաժեշտ manual ընտրություն կատարել։
Դուք կարող եք route անել requests-ը Ձեր սեփական provider account-ի միջոցով՝ metered platform usage-ի փոխարեն։
ANTHROPIC_API_KEY, GOOGLE_API_KEY, OPENAI_API_KEY)։Platform (DeepCerebra) models-ին key պետք չէ։ Հեռացրեք key-ը ցանկացած պահի Remove-ով։
DCC Bridge-ը միացնում է Ձեր սեփական համակարգիչը web app-ին փոքր dcc-bridge connector-ի միջոցով՝ միաժամանակ բացելով երկու հնարավորություն.
Connector-ը dials out է անում authenticated WebSocket-ի միջոցով. inbound ports պետք չեն, և այն աշխատում է NAT-ի և firewalls-ի հետևում։ Այն run է լինում Windows, macOS և Linux-ի վրա (Python 3.10+)։
dcc_brg_…) և ready-to-paste connector command-ը. token-ը ցուցադրվում է ճիշտ մեկ անգամ։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 կամ wss://deepcerebra.io) — pairing card-ը նախապես լրացնում է ճիշտը։ Երկու sites-ը առանձին deployments են առանձին accounts-ով և tokens-ով։1234) model-ով loaded։By default, commands-ը սահմանափակված են dedicated workspace folder-ով (~/DeepCerebra)։ Ձեր իրական project folders-ում Ձեր pre-configured CLIs-ով աշխատելու համար, դրանք հստակորեն տվեք connector-ը սկսելիս.
# 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-dirԱյնուհետև բացեք Տերմինալ վահանակը, սեղմեք Կատարման թիրախ բացվող պատուհանը (նոութբուքի պատկերակը), ընտրեք Իմ համակարգիչը, և ընտրեք աշխատանքային գրացուցակ: Ձեր մուտքագրված հրամանները և գործակալի կառուցման/փորձարկման հրամաններն այնուհետև կատարվում են ձեր մեքենայի վրա:
--no-exec-ը device-ը դարձնում է inference-only (GPU models, no commands)։Բաց Git-backed project-ի դեպքում Explorer-ում հայտնվում է branch bar, որը ցույց է տալիս Ձեր ընթացիկ branch-ը և երկու actions.
main)։ Դուք պետք է լինեք working branch-ի վրա, ոչ թե default branch-ի։Եթե push webhook-ը enabled է, Explorer-ը auto-refresh է լինում, երբ teammates-ը push են անում՝ բոլորին sync պահելով. սա DeepCerebra-ի միջոցով collaborative team development-ի հիմքն է։
Ընդլայնեք գործակալին external tools-ով և data-ով Model Context Protocol-ի միջոցով։ Configure արեք servers .deepcerebra/mcp.json file-ում, օրինակ.
{
"mcpServers": {
"my-tools": {
"url": "https://example.com/mcp",
"disabled": false,
"allowlist": ["search_issues", "get_pr"],
"autoApprove": ["create_issue"],
"auth": { "type": "bearer", "tokenEnv": "MY_TOKEN" }
}
}
}Enabled MCP tools-ը ավտոմատ կերպով հասանելի են դառնում գործակալին, երբ դրանք relevant են Ձեր request-ին։ Local (stdio) և remote (http/sse) servers-ը երկուսն էլ աջակցվում են։
allowlist, միայն այդ tools-ը կարող են run լինել։autoApprove-ում։Եթե server-ը exposes է անում MCP resources կամ prompt templates, գործակալը ավտոմատ կերպով ստանում է tools դրանք օգտագործելու համար (mcp_list_resources, mcp_read_resource, mcp_list_prompts, mcp_get_prompt)։
Ավելացրեք auth block remote server-ին։ Secrets-ը աջակցում է ${ENV_VAR} interpolation-ին.
// Static bearer token (literal or from env)
"auth": { "type": "bearer", "token": "${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"
}Դուք կարող եք shape անել, թե ինչպես է գործակալը մտածում և գործում մեկ, file-based convention-ով՝ .deepcerebra/ directory-ով, որը նույնականորեն աշխատում է desktop app-ում, web app-ում և API-ում։ Web app-ում դրանք բոլորը կառավարեք Agent view-ի տակ. desktop-ում և API-ի միջոցով դրանք պարզ files են, որոնք դուք commit եք անում Ձեր նախագծի հետ։
Configuration-ը հայտնաբերվում է մի քանի scopes-ից. երբ նույն item-ը գոյություն ունի մեկից ավելիում, higher-precedence-ովը հաղթում է.
team/org < global (~/.deepcerebra) < workspace (<repo>/.deepcerebra)
(lowest) (highest)<repo>/.deepcerebra/…, committed նախագծի հետ։~/.deepcerebra/…, Ձեր personal defaults-ը բոլոր նախագծերում։Rules-ը persistent instructions են՝ coding standards, architecture conventions, domain context, որոնք injected են լինում գործակալի system prompt-ի մեջ։ Դրանք գոյություն ունեն որպես Markdown files .deepcerebra/steering/-ի տակ, գումարած միշտ միացված AGENTS.md standard-ը։ Frontmatter-ը controls է անում, թե երբ է rule-ը loads լինում.
---
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 — յուրաքանչյուր turn (default-ը)։fileMatch — միայն երբ in-context file-ը matches է անում globs-ին։auto — երբ Ձեր request-ը matches է անում rule-ի name/description-ին։manual — միայն երբ դուք reference եք անում այն որպես #name կամ /name։Root AGENTS.md-ը կիրառվում է repo-wide. nested AGENTS.md-ը (օրինակ՝ services/api/AGENTS.md) կիրառվում է միայն այդ folder-ի տակ գտնվող files-ի համար։ Web app-ում Agent → Steering view-ը յուրաքանչյուր rule-ին տալիս է Scope picker (Global / Project / Team)։
Skills-ը reusable playbooks են, որոնք գործակալը loads է անում on demand։ Յուրաքանչյուր skill folder է SKILL.md-ով .deepcerebra/skills/-ի տակ.
---
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.Գործակալը տեսնում է lightweight catalog (name + description) և pulls է անում full body-ն load_skill tool-ով, երբ relevant է։ Դուք կարող եք նաև invoke անել մեկը հստակորեն /skill <name>-ով։ Սահմանեք disable-model-invocation: true՝ skill-ը manual-only դարձնելու համար։
Hooks-ը run են անում automation lifecycle events-ի վրա։ Սահմանեք դրանք որպես .deepcerebra/hooks/*.hook.json.
{
"title": "Format on save",
"event": "fileSave",
"filePattern": ["**/*.ts"],
"action": { "type": "shell", "command": "npm run lint:fix -- $FILE" },
"enabled": true
}Events-ը ներառում են promptSubmit, preToolUse, postToolUse, fileCreate, fileSave, fileDelete, preTask, postTask, sessionStart, preCompact և agentStop (Cursor/Claude spellings-ը նույնպես ընդունվում են)։ Action-ը կա՛մ shell է (run a command), կա՛մ agentPrompt (ask the agent)։ preToolUse hook-ը կարող է allow, deny կամ ask անել tool call-ի համար, որը այն intercepts է անում։
Subagents-ը specialist agents են, որոնք դուք սահմանում և delegate եք անում։ Յուրաքանչյուրը Markdown file է .deepcerebra/agents/-ի տակ frontmatter-ով գումարած body (դրա system prompt)։
---
name: security-reviewer
description: Audits a diff for security issues; read-only.
model: gpt-5
readonly: true
tools: [read_file, grep_files, list_directory]
background: false
---
You are a meticulous security reviewer…Main agent-ը delegates է անում task-ով (blocking), task_async + task_status / task_result-ով (background) կամ task_parallel-ով (fan-out)։
Plugin-ը bundles է անում rules, skills, hooks, subagents և MCP servers մեկ installable package-ի մեջ .deepcerebra/plugins/<name>/-ի տակ, որը նկարագրված է plugin.json manifest-ով։
{
"name": "Acme Standards",
"version": "1.2.0",
"description": "Acme rules + skills + review agents.",
"enabled": true
}Plugin contents-ը merged են լինում lowest precedence-ով, այնպես որ Ձեր սեփական rules-ը և skills-ը միշտ override են անում plugin-ի։ Disable արեք plugin-ը "enabled": false-ով կամ .disabled marker file-ով։
DCC_ORG_CONFIG_DIR-ը ուղղելով shared .deepcerebra directory-ին, կամ rules-ը սահմանելով Team scope-ին web app-ում։Workflow Studio-ն multi-agent automation-ի visual designer է։ Դուք compose եք անում stages-ը՝ յուրաքանչյուրը agent, specialist step կամ control primitive՝ graph-ի մեջ, միացնում եք դրանք dependencies-ով և run եք անում ամբողջ orchestration-ը engine-ի վրա live per-stage progress-ով, budgets-ով և human-approval gates-ով։ Workflows-ը պահվում են որպես portable YAML/JSON definition, որը դուք կարող եք export, import, version անել Git-ում և run անել API-ից կամ CLI-ից։
| Stage kind | Ինչ է անում |
|---|---|
agent | Մեկ agent turn Ձեր կցած skills-ով և tools-ով։ |
spec.requirements / spec.design / spec.execute |
Spec-first delivery. draft requirements, design, այնուհետև break into tasks և execute — յուրաքանչյուրը gateable։ |
documents.generate | Արտադրել polished document նախորդ stage outputs-ից։ |
fan_out | Parallel wide-research բազմաթիվ subtopics-ի միջոցով synthesis-ով։ |
map / loop / switch |
Control primitives. run a body per item, repeat until a condition, կամ branch across cases։ |
verify / browser_verify |
Run tests կամ commands sandbox-ում. verify a running UI browser automation-ով։ |
orchestrate | Dynamic routing. an orchestrator agent reads the request և dispatches է անում այն լավագույն downstream agent(s)-ին events-ի միջոցով։ |
external.agent | Call a registered third-party agent HTTP-ի միջոցով (A2A) կարծես այն native stage լիներ։ |
eval | Score an upstream output against checks (contains / regex / length / LLM-judge). fail below a threshold։ |
db.provision | Generate an owned data layer. docker-compose for the database, versioned SQL migrations, seed data, .env template, և Mermaid ERD. optional auth scaffold. can apply migrations to SQLite immediately։ |
ci.generate | Generate a ready-to-commit CI/CD pipeline (GitHub Actions, GitLab CI, կամ Azure Pipelines) lint → test → scan → build → deploy և environment promotion-ով։ |
deploy.package | Generate production deployment assets. multi-stage Dockerfile, docker-compose, Kubernetes manifests, կամ Helm chart — files, որոնք դուք եք սեփականատեր և commit եք անում։ |
test.generate | Generate unit / API / E2E suites for the built app գումարած requirement-to-test traceability matrix։ |
test.verify | Execute a test suite (pytest, vitest, jest, Playwright) և gate the run on its pass rate։ |
security.audit | Scan dependencies for known vulnerabilities և tree-ն hard-coded secrets-ի համար. publishes alert events և writes a findings report։ |
preview | Start the generated app locally և surface its live URL in the run panel (link + inline frame) preview.ready event-ի միջոցով։ |
design.import | Turn a UI design image (screenshot, mockup, Figma export) into a structured implementation spec for downstream stages։ |
Յուրաքանչյուր stage՝ անկախ kind-ից, կարող է publish և subscribe անել typed events-ին workspace event bus-ի վրա, այնպես որ agents-ը coordinate են անում ինչպես services-ը message fabric-ի վրա, այլ ոչ միայն DAG-ի միջոցով.
lifecycle, agent, business, data, system, schedule, chat, external կամ alert — filterable subscriptions-ում և replay-ում։trigger (stage-ը run է լինում, երբ matching event է հասնում. run-ը parked stages-ով մնում է resident որպես listening), gate (machine gate, որը approved է event-ով, այլ ոչ թե human click-ով), և data (payload-ը merged է լինում stage-ի context-ի մեջ)։agent.<stage-id>.request։triggers: block-ը arms է անում այն՝ սկսելու համար inbound webhooks-ի, cron schedules-ի, events-ի կամ chat-ի վրա՝ նույնիսկ երբ Studio-ն closed է։Իրադարձություններին արձագանքող գործակալները կարող են հայտարարել կայուն անվանական հերթ, որպեսզի համապատասխան իրադարձությունները երբեք չկորչեն, մինչ գործակալը զբաղված է կամ մինչև գործարկումը լսում է։ Միացման բաժանորդագրության դեպքում սահմանեք
queue: <name> — շարժիչը կապում է այդ թեման աշխատանքային տարածքի իրադարձությունների ավտոբուսի FIFO հերթին (պահպանվում է .deepcerebra/workflows/events/queues/ տակ)։ Այդ պահից սկսած հրապարակված յուրաքանչյուր համապատասխան իրադարձություն գրավվում է հերթում. երբ փուլը դառնում է գործարկելի, շարժիչը հերթից հանում է իրադարձությունները ամենահինը-առաջինը կարգով և սպառում է դրանք մեկ առ մեկ։
count — պահանջել N հերթագրված (կամ առաքված) իրադարձություններ, մինչև բաժանորդագրությունը բավարարվի (օգտակար է, երբ մի քանի աշխատող պետք է հաշվետվություն ներկայացնի)։GET /api/workflow/queues-ը ցուցադրում է խորությունը և կապերը.
GET /api/workflow/queues/{name}-ը դիտում է սպասվող իրադարձությունները. չաթի գործակալները կարող են կանչել
event_queue_status և 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_idՄի սեմաֆորը սահմանափակում է, թե քանի առաջադրանք կարող է միաժամանակ գործել ընդհանուր (պաշտպանված) ռեսուրսի վրա՝
գրվող տվյալների բազա, գլոբալ փոփոխականների պահեստ, ֆայլ կամ արագությամբ սահմանափակված արտաքին գործակալ։ Կցեք մեկը ցանկացած
փուլին՝ semaphore: — մինչև փուլի աշխատանքի մեկնարկը, շարժիչը ձեռք է բերում անվանված
աշխատանքային տարածքի սեմաֆորի մեկ թույլտվություն. թույլտվությունը միշտ ազատվում է հետո, նույնիսկ եթե փուլը ձախողվի։
permits: 1 այն դարձնում է մյուտեքս։ միաժամանակ միայն մեկ առաջադրանք (աշխատանքային տարածքի բոլոր զուգահեռ գործարկումների ընթացքում)
կատարում է կրիտիկական քայլը. յուրաքանչյուր այլ առաջադրանք սպասում է մինչև պահողն ավարտի։
timeout_s թույլտվության համար. եթե ռեսուրսը մնում է լրիվ հզորությամբ, փուլը տեսանելիորեն ձախողվում է՝ հավերժ կախված մնալու փոխարեն։ttl_s. եթե պահողը վթարի է ենթարկվում առանց ազատելու, թույլտվությունը ավտոմատ կերպով ժամկետանց է լինում, այնպես որ ռեսուրսը երբեք չի մնում փակուղում։semaphore.<name>.waiting,
.acquired և .released համակարգային իրադարձություններ. GET /api/workflow/semaphores-ը ցույց է տալիս հզորությունը, պահողներին և առկա թույլտվությունները։acquire_semaphore, release_semaphore և
semaphore_status գործիքները համակարգում են հատուկ կրիտիկական հատվածները աշխատանքային հոսքից դուրս։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 minutesՌանդևուն սպասում է մինչև բազմաթիվ իրադարձությունների պայմաններ բոլորը բավարարվեն, նախքան հաջորդ քայլը կշարունակվի — հակառակը «առաջին իրադարձությունը հաղթում է» սկզբունքին։ Սահմանեք join: all փուլի events: բլոկում. յուրաքանչյուր միացման բաժանորդագրությունը պետք է բավարարվի, նախքան փուլը կգործարկվի։ Համատեղեք բաժանորդագրության համար count: N-ի հետ, երբ մի քանի գործակալ (կամ մեկ գործակալից մի քանի հաշվետվություն) պետք է բոլորը գրանցվեն — օրինակ, դիզայնի հաստատում, թեստի ավարտ և անվտանգության հաստատում մինչև թողարկման փուլի կատարումը։
join: any (լռելյայն) — փուլը գործարկվում է, երբ առաջին միացման բաժանորդագրությունը բավարարվում է։join: all — ռանդևու. յուրաքանչյուր միացման բաժանորդագրություն (յուրաքանչյուրը իր թեմայով, դասի ֆիլտրով և կամընտիր count-ով) պետք է բավարարվի. միայն այդ դեպքում է փուլը դառնում գործարկելի։trigger_events և հասանելի են դարձվում շաբլոններին որպես inputs.events (իրադարձությունների օբյեկտների ցուցակ՝ բեռնվածքներով):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: 1Stages-ը tools են ընտրում նույն registry-ից, որը օգտագործում է chat agent-ը.
create_database, apply_migrations և dump_schema owned data layers-ի համար։docker_build / docker_push, compose up/down, SSH և cloud-CLI deploys (Fly, Render, Railway, Vercel), նաև simulation-safe։Class.method) մաթեմատիկայի, ազդանշանների մշակման, կառավարման, վիճակագրության և այլ ոլորտներում։/v1 API-ն exposes է անում runs, events, triggers, templates և generation CI-ի և integrations-ի համար։db.provision → implementation → generated tests → security audit → deploy packaging → CI generation, human gate-ով մինչև packaging — complete brief-to-production path, որը դուք կարող եք adapt անել րոպեների ընթացքում։Predictive Tab completion-ը առաջարկում է inline, fill-in-the-middle code suggestions, երբ դուք typing եք անում editor-ում — accept արեք suggestion-ը Tab-ով։ Այն opt-in է և՛ engine-ի, և՛ web editor-ի վրա։
DCC_TAB_COMPLETE=1։ Editor-ը calls է անում engine-ի POST /api/complete endpoint-ը, որը վերադարձնում է միայն text-ը cursor-ում insert անելու համար։VITE_TAB_COMPLETE=1-ով, կամ runtime-ում localStorage.setItem('dcc.tabComplete', '1')-ով (այնուհետև reload արեք)։Բացեք Billing sidebar-ից՝ Ձեր plan-ը և usage-ը կառավարելու համար։ AI usage-ը metered է U.S.-dollar credits-ով՝ հիմնված underlying models-ի կողմից consumed tokens-ի վրա։
| Plan | Ամսական գին | Ներառված ամսական AI usage |
|---|---|---|
| Basic | $20 | $10 |
| Pro | $75 | $30 |
| Ultimate | $200 | $150 |
Gateway API key-ը (personal access token) թույլ է տալիս Ձեզ օգտագործել DeepCerebra public API-ն և CLI-ն programmatically։
read, chat, code, agent — և կամընտիր expiry days-ով (blank = never)։Օգտագործեք այն CLI-ի կամ API-ի հետ deepcerebra.ai կայքում.
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/...Դուք կարող եք rename կամ delete (revoke) անել key-ը ցանկացած պահի. յուրաքանչյուր key ցույց է տալիս իր prefix-ը, scopes-ը, created/expiry-ն և last-used date-ը։
Անցեք Chrome, Edge կամ Brave, կամ փոխարենը օգտագործեք Open from Git։
Սեղմեք Stop, այնուհետև rephrase արեք concrete hint-ով կամ constraint-ով։
dcc-bridge connector-ը running է, և device-ը ցույց է տալիս online։1234) model-ով loaded։--gateway
(wss://deepcerebra.ai կամ wss://deepcerebra.io) — երկու sites-ը առանձին deployments են, և մեկից ստացված token-ը երբեք չի աշխատում մյուսի վրա։Բացեք կամ ստեղծեք working branch մինչև Integrate-ը օգտագործելը pull request բացելու համար։
Դեռ stuck եք։ Կապվեք support@deepcerebra.ai։
Discovery-ն հետազոտական չաթ-բոտ է Ձեր տվյալների բազաների և փաստաթղթերի համար։
Մեկ հարցմամբ պատասխանելու փոխարեն, այն աշխատում է որպես վերլուծաբան. այն ձևավորում է վարկածներ,
իրականացնում է մի շարք պաշտպանված հետազոտություններ (SQL, գրաֆիկ, փաստաթղթերի որոնում, սխեմաների ստուգում, վեբ հաստատում), կրճատում է այն
բացատրությունները, որոնք հերքվում են ապացույցներով, և սինթեզում է հիմնավորված պատասխան — գծապատկերներով և ծախսերի
թափանցիկ անդորրագրով։ Բացեք այն ակտիվության վահանակում գտնվող կողմնացույցի պատկերակից
(/app/discovery)։
Մեկ Տարածքը միավորում է այն ամենը, ինչ անհրաժեշտ է հարցերի մեկ շարքի համար. տվյալների բազայի միացումներ, փաստաթղթերի հավաքածուներ, վերլուծաբանի համար հրահանգներ և բյուջեներ։ Ստեղծեք մեկը + Նոր տարածք-ով, ապա օգտագործեք աջ կողմի կարգավորումների վահանակը՝
Մուտքագրեք հարց այնպես, ինչպես կհարցնեիք գործընկերոջը, օրինակ՝ «Ինչու՞ է ՄՌՏ սկանավորման ծավալը նվազել մարտին»։ Հետաքննության վահանակը ուղիղ եթերում ցուցադրում է ամբողջ գործընթացը.
Հետագա հարցերը շարունակում են նույն թելը, այնպես որ վերլուծաբանը պահպանում է իր համատեքստը։
Գծապատկերները ցուցադրվում են հետաքննության վահանակում։ Օգտագործեք Արտահանել ամբողջական հարցումը ներբեռնելու համար՝ պատասխանը, վարկածները, ապացույցները և գծապատկերները՝ որպես ինքնուրույն HTML հաշվետվություն կամ տպագրական որակի PDF, ձևավորված նեոնային դիզայնի համակարգով։
Յուրաքանչյուր տարածք ունի յուրաքանչյուր հարցման համար նախատեսված բյուջեներ՝ հետազոտությունների առավելագույն քանակ, հետաքննության փուլեր, վայրկյաններ և USD։ Շարժիչը կանգնում է սահմանաչափին հասնելուն պես և զեկուցում է այն, ինչ գտել է մինչ այդ։ Յուրաքանչյուր հետազոտության արժեքը մանրամասն նշված է անդորրագրում, այնպես որ դուք միշտ կիմանաք, թե ուր է գնացել ծախսը։
/v1/discovery/*-ի ներքո՝ PAT-ի միջոցով, որը կրում է
discovery շրջանակը (ստեղծեք այն Հաշիվ → API Թոքեններ բաժնում)։
Հոսքային հարցումները օգտագործում են SSE։ Արտաքին կատարողները կարող են օգտագործել միայն հետաքննական պլանավորումը Thinking API-ի միջոցով
(/v1/think/*, scope think)։pip install deepcerebra-discovery, ապա
DiscoveryClient(base_url, token).ask(space_id, question)։discovery.ask) ցանկացած աշխատանքային հոսքի մեջ՝ հետաքննությունն որպես խողովակաշարի քայլ գործարկելու համար. պատասխանը,
գծապատկերները և անդորրագիրը հոսում են հաջորդ փուլեր։discovery_ask և
discovery_list_spaces որպես MCP գործիքներ, այնպես որ արտաքին MCP հաճախորդները նույնպես կարող են հետաքննություններ իրականացնել։