DeepCerebra Coder adalah asisten pengkodean yang agentik. Berbeda dengan copilot pelengkapan otomatis biasa, ia merencanakan, menulis, merefaktor, menjalankan perintah, memanggil alat, dan berulang di seluruh proyek Anda — dengan Anda meninjau dan menyetujui perubahan yang diusulkannya.
| Edisi | Terbaik untuk | Akses file |
|---|---|---|
| Aplikasi web | Tanpa instalasi, bekerja dari mesin mana pun | Penyimpanan rahasia dalam browser (dan repo Git) |
| Desktop (Windows / Linux / macOS) | Pengembangan lokal-pertama, model lokal | Sistem file lokal langsung |
| CLI & API | Skrip, CI/CD, otomatisasi | File lokal / terprogram |
Panduan ini berfokus pada aplikasi web di deepcerebra.ai; aplikasi desktop mencerminkan panel dan alur kerja yang sama.
Gunakan versi terbaru Chrome, Edge, atau Brave untuk pengalaman penuh — membuka folder lokal bergantung pada Chromium File System Access API. Firefox dan Safari berfungsi untuk obrolan dan untuk proyek yang didukung Git, tetapi tidak dapat membuka folder lokal secara langsung.
/register?plan=basic (atau pro / ultimate), atau mulai sekarang dan pilih paket
nanti di Penagihan.Setelah masuk, Anda akan mendarat di workbench, yang menempatkan setiap panel dalam satu layar:
Seret pembagi antara editor dan obrolan untuk menyeimbangkan kembali tata letak, dan seret pembagi horizontal untuk mengubah ukuran terminal. Bilah sisi kiri juga menavigasi ke Ruang Kerja, Ekstensi, Kunci API, Penagihan, dan Umpan Balik.
repo (klasik) atau token terperinci dengan Konten + Permintaan Tarik; untuk
GitLab gunakan cakupan api. Token Anda disimpan di server — hanya konten file yang ditarik
ke dalam browser.owner/name (saring daftar untuk menemukan milik Anda), lalu pilih
cabang.dcc/my-feature) untuk menjaga
pekerjaan Anda terisolasi dari cabang default.Riwayat obrolan terikat pada proyek yang terbuka. Mengganti folder secara otomatis memulai sesi baru dan memuat sesi sebelumnya dari folder tersebut, membuka kembali yang terbaru sehingga Anda dapat melanjutkan dari tempat Anda berhenti.
Folder yang digunakan DeepCerebra secara internal — .deepcerebra, .sessions — muncul di pohon
tetapi secara default diciutkan agar tidak mengacaukan sumber Anda.
Jelaskan apa yang Anda inginkan dalam bahasa sederhana — ajukan pertanyaan, minta fitur, atau tunjukkan bug. Bersikaplah spesifik tentang file, kerangka kerja, dan batasan untuk mendapatkan hasil terbaik. Lampirkan file yang relevan dengan menyeretnya ke prompt.
Respons diatur seperti Cursor: penalaran agen dipisahkan dari hasil akhir. Setiap blok respons memiliki ikon salin di sudut kanan atasnya sehingga Anda dapat menyalin laporan, dokumen, atau perintah yang dimaksudkan untuk Anda jalankan.
lxml alih-alih html.parser") untuk mengeluarkan agen dari
perulangan.@deepcerebra, dan awalan seperti [deep] meminta penalaran yang lebih mendalam.Pilih mode dari pemilih mode di samping prompt. Setiap mode menyesuaikan seberapa banyak agen merencanakan dan seberapa bebas ia mengedit:
| Mode | Apa yang dilakukannya | Gunakan saat… |
|---|---|---|
| Agent | Merencanakan dan mengedit di seluruh proyek Anda secara otonom | Anda ingin asisten menerapkan perubahan secara menyeluruh |
| Ask | Menjawab pertanyaan tentang kode Anda tanpa mengedit | Anda ingin memahami basis kode |
| Plan | Menyusun pendekatan sebelum pengeditan apa pun | Tugasnya besar atau memiliki pertimbangan yang harus diselesaikan terlebih dahulu |
| Edit | Melakukan pengeditan terfokus dalam konteks saat ini | Anda menginginkan perubahan kecil yang ditargetkan |
Ketika agen mengusulkan perubahan file, panel Perubahan yang Diusulkan muncul di atas input obrolan, mencantumkan setiap file yang disentuh dengan jumlah baris yang ditambahkan (+) dan dihapus (−).
applied (dan · disk saat ditulis ke folder nyata).Alihkan terminal di bawah editor untuk menjalankan build, tes, dan skrip. Dengan otorisasi Anda, agen dapat mengeksekusi perintah dan membaca outputnya untuk memverifikasi pekerjaannya; perintah yang berjalan lama mengalirkan output sehingga Anda dapat memantau kemajuan. Tutup terminal dari headernya saat Anda tidak membutuhkannya.
Untuk tujuan yang lebih besar, gunakan mode Rencana (atau minta agen untuk merencanakan terlebih dahulu). Perencana memindai proyek Anda, menguraikan tujuan menjadi tugas yang peka dependensi, dan menetapkan setiap tugas ke spesialis yang tepat (arsitek, pembuat kode, penguji, dokumentasi).
Buka pemilih model di samping prompt. Opsi dikelompokkan sebagai:
Pada Otomatis, DeepCerebra menggunakan perutean bertingkat, adaptif: tugas sederhana diarahkan ke model yang cepat dan ekonomis, sementara pekerjaan kompleks atau yang banyak perencanaan (misalnya, mode Rencana) diarahkan ke model yang lebih kuat. Ini menyeimbangkan biaya dan kualitas secara otomatis, sehingga Anda jarang perlu memilih secara manual.
Anda dapat merutekan permintaan melalui akun penyedia Anda sendiri alih-alih penggunaan platform yang terukur.
ANTHROPIC_API_KEY,
GOOGLE_API_KEY, OPENAI_API_KEY).Model Platform (DeepCerebra) tidak memerlukan kunci. Hapus kunci kapan saja dengan Hapus.
DCC Bridge menghubungkan komputer Anda sendiri ke aplikasi web melalui konektor
dcc-bridge kecil, membuka dua kemampuan sekaligus:
Konektor melakukan panggilan keluar melalui WebSocket terautentikasi — tidak diperlukan port masuk, dan berfungsi di belakang NAT dan firewall. Ini berjalan di Windows, macOS, dan Linux (Python 3.10+).
dcc_brg_…)
dan perintah konektor yang siap ditempel — token ditampilkan tepat satu kali.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 atau wss://deepcerebra.io) — kartu pemasangan mengisi
yang benar. Kedua situs adalah deployment terpisah dengan akun dan token terpisah.1234) dengan model yang dimuat.Secara default, perintah terbatas pada folder ruang kerja khusus (~/DeepCerebra). Untuk bekerja di
folder proyek nyata Anda dengan CLI yang telah Anda konfigurasi, berikan izin secara eksplisit saat memulai konektor:
# 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-dirKemudian buka panel Terminal, klik popover Target eksekusi (ikon laptop), pilih Komputer saya, dan pilih direktori kerja. Baik perintah yang Anda ketik maupun perintah build/test agen kemudian dieksekusi di mesin Anda.
--no-exec membuat
perangkat hanya untuk inferensi (model GPU, tanpa perintah).Dengan proyek yang didukung Git terbuka, bilah cabang muncul di Penjelajah yang menunjukkan cabang Anda saat ini dan dua tindakan:
main). Anda harus berada di cabang kerja, bukan cabang default.Jika push webhook diaktifkan, Penjelajah akan menyegarkan secara otomatis saat rekan tim melakukan push, menjaga semua orang tetap sinkron — fondasi untuk pengembangan tim kolaboratif melalui DeepCerebra.
Perluas agen dengan alat dan data eksternal melalui Model Context Protocol. Konfigurasi
server dalam file .deepcerebra/mcp.json, misalnya:
{
"mcpServers": {
"my-tools": {
"url": "https://example.com/mcp",
"disabled": false,
"allowlist": ["search_issues", "get_pr"],
"autoApprove": ["create_issue"],
"auth": { "type": "bearer", "tokenEnv": "MY_TOKEN" }
}
}
}Alat MCP yang diaktifkan akan tersedia untuk agen secara otomatis saat relevan dengan permintaan Anda. Server lokal
(stdio) dan jarak jauh (http/sse) keduanya didukung.
allowlist, hanya alat tersebut yang dapat berjalan.autoApprove.Jika server mengekspos sumber daya MCP atau template prompt, agen
secara otomatis mendapatkan alat untuk menggunakannya (mcp_list_resources, mcp_read_resource,
mcp_list_prompts, mcp_get_prompt).
Tambahkan blok auth ke server jarak jauh. Rahasia mendukung interpolasi ${ENV_VAR}:
// Static bearer token (literal or from env)
"auth": { "type": "bearer", "token": "${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"
}Anda dapat membentuk cara agen berpikir dan bertindak dengan satu konvensi berbasis file — direktori
.deepcerebra/ — yang berfungsi identik di aplikasi desktop,
aplikasi web, dan API. Di aplikasi web, kelola semua ini di bawah tampilan
Agen; di desktop dan melalui API, ini adalah file biasa yang Anda commit dengan proyek Anda.
Konfigurasi ditemukan dari beberapa cakupan; ketika item yang sama ada di lebih dari satu, yang memiliki prioritas lebih tinggi akan menang:
team/org < global (~/.deepcerebra) < workspace (<repo>/.deepcerebra)
(terendah) (tertinggi)<repo>/.deepcerebra/…, di-commit dengan proyek.~/.deepcerebra/…, default pribadi Anda di seluruh proyek.Aturan adalah instruksi persisten — standar pengkodean, konvensi arsitektur, konteks domain — yang disuntikkan ke
prompt sistem agen. Mereka berada sebagai file Markdown di bawah .deepcerebra/steering/, ditambah
standar AGENTS.md yang selalu aktif. Frontmatter mengontrol kapan aturan dimuat:
---
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 — setiap giliran (default).fileMatch — hanya ketika file dalam konteks cocok dengan globs.auto — ketika permintaan Anda cocok dengan name/description aturan.manual — hanya ketika Anda mereferensikannya sebagai #name atau /name.AGENTS.md root berlaku di seluruh repo; AGENTS.md bersarang (misalnya
services/api/AGENTS.md) hanya berlaku untuk file di bawah folder tersebut. Di aplikasi web, tampilan
Agen → Pengarahan memberikan setiap aturan pemilih Cakupan
(Global / Proyek / Tim).
Keterampilan adalah playbook yang dapat digunakan kembali yang dimuat agen sesuai permintaan. Setiap keterampilan adalah folder dengan
SKILL.md di bawah .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.Agen melihat katalog ringan (nama + deskripsi) dan menarik seluruh isi dengan alat
load_skill saat relevan. Anda juga dapat memanggilnya secara eksplisit dengan
/skill <name>. Atur disable-model-invocation: true untuk membuat keterampilan hanya manual.
Hook menjalankan otomatisasi pada peristiwa siklus hidup. Definisikan mereka sebagai .deepcerebra/hooks/*.hook.json:
{
"title": "Format on save",
"event": "fileSave",
"filePattern": ["**/*.ts"],
"action": { "type": "shell", "command": "npm run lint:fix -- $FILE" },
"enabled": true
}Peristiwa termasuk promptSubmit, preToolUse, postToolUse,
fileCreate, fileSave, fileDelete, preTask,
postTask, sessionStart, preCompact, dan agentStop
(ejaan Cursor/Claude juga diterima). Sebuah tindakan adalah shell (menjalankan perintah) atau
agentPrompt (meminta agen). Hook preToolUse dapat mengizinkan,
menolak, atau meminta panggilan alat yang dicegatnya.
Subagen adalah agen spesialis yang Anda definisikan dan delegasikan. Setiap subagen adalah file Markdown di bawah
.deepcerebra/agents/ dengan frontmatter ditambah isi (prompt sistemnya):
---
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…Agen utama mendelegasikan dengan task (memblokir), task_async +
task_status / task_result (latar belakang), atau task_parallel (fan-out).
Plugin menggabungkan aturan, keterampilan, hook, subagen, dan server MCP menjadi satu paket yang dapat diinstal di bawah
.deepcerebra/plugins/<name>/, dijelaskan oleh manifes plugin.json:
{
"name": "Acme Standards",
"version": "1.2.0",
"description": "Acme rules + skills + review agents.",
"enabled": true
}Konten plugin digabungkan pada prioritas terendah, sehingga aturan dan keterampilan Anda sendiri selalu menimpa plugin.
Nonaktifkan plugin dengan "enabled": false atau file penanda .disabled.
DCC_ORG_CONFIG_DIR ke direktori .deepcerebra bersama, atau dengan mengatur aturan ke
cakupan Tim di aplikasi web.Workflow Studio adalah desainer visual untuk otomatisasi multi-agen. Anda menyusun tahapan — masing-masing agen, langkah spesialis, atau primitif kontrol — menjadi grafik, menghubungkannya dengan dependensi, dan menjalankan seluruh orkestrasi pada mesin dengan kemajuan per tahapan secara langsung, anggaran, dan gerbang persetujuan manusia. Alur kerja disimpan sebagai definisi YAML/JSON portabel yang dapat Anda ekspor, impor, versi di Git, dan jalankan dari API atau CLI.
| Jenis tahapan | Apa yang dilakukannya |
|---|---|
agent | Satu giliran agen dengan keterampilan dan alat yang Anda lampirkan. |
spec.requirements / spec.design / spec.execute |
Pengiriman berbasis spesifikasi: menyusun persyaratan, desain, lalu memecah menjadi tugas dan mengeksekusi — masing-masing dapat digerbang. |
documents.generate | Menghasilkan dokumen yang rapi dari output tahapan sebelumnya. |
fan_out | Penelitian luas paralel di banyak subtopik dengan sintesis. |
map / loop / switch |
Primitif kontrol: menjalankan badan per item, mengulang hingga suatu kondisi, atau bercabang di berbagai kasus. |
verify / browser_verify |
Jalankan tes atau perintah di sandbox; verifikasi UI yang berjalan dengan otomatisasi browser. |
orchestrate | Perutean dinamis: agen orkestrator membaca permintaan dan mengirimkannya ke agen hilir terbaik melalui peristiwa. |
external.agent | Panggil agen pihak ketiga terdaftar melalui HTTP (A2A) seolah-olah itu adalah tahapan asli. |
eval | Nilai output hulu terhadap pemeriksaan (berisi / regex / panjang / LLM-judge); gagal di bawah ambang batas. |
db.provision | Hasilkan lapisan data yang dimiliki: docker-compose untuk database,
migrasi SQL berversi, data awal, template .env, dan ERD Mermaid; perancah otentikasi opsional;
dapat menerapkan migrasi ke SQLite segera. |
ci.generate | Hasilkan pipeline CI/CD yang siap di-commit (GitHub Actions, GitLab CI, atau Azure Pipelines) dengan lint → test → scan → build → deploy dan promosi lingkungan. |
deploy.package | Hasilkan aset deployment produksi: Dockerfile multi-tahap, docker-compose, manifest Kubernetes, atau Helm chart — file yang Anda miliki dan commit. |
test.generate | Hasilkan suite unit / API / E2E untuk aplikasi yang dibangun ditambah matriks keterlacakan persyaratan-ke-pengujian. |
test.verify | Eksekusi suite pengujian (pytest, vitest, jest, Playwright) dan gerbang eksekusi berdasarkan tingkat kelulusannya. |
security.audit | Pindai dependensi untuk kerentanan yang diketahui dan pohon untuk rahasia yang di-hardcode; menerbitkan peristiwa peringatan dan menulis laporan temuan. |
preview | Mulai aplikasi yang dihasilkan secara lokal dan tampilkan URL langsungnya di panel eksekusi
(tautan + bingkai sebaris) melalui peristiwa preview.ready. |
design.import | Ubah gambar desain UI (tangkapan layar, mockup, ekspor Figma) menjadi spesifikasi implementasi terstruktur untuk tahapan hilir. |
Setiap tahapan — terlepas dari jenisnya — dapat menerbitkan dan berlangganan peristiwa berjenis pada bus peristiwa ruang kerja, sehingga agen berkoordinasi seperti layanan pada kain pesan daripada hanya melalui DAG:
lifecycle, agent,
business, data, system, schedule, chat,
external, atau alert — dapat difilter dalam langganan dan pemutaran ulang.trigger (tahapan berjalan ketika peristiwa yang cocok tiba;
eksekusi dengan tahapan yang diparkir tetap berada sebagai mendengarkan), gate (gerbang mesin yang disetujui oleh
peristiwa alih-alih klik manusia), dan data (payload digabungkan ke dalam konteks tahapan).agent.<stage-id>.request.triggers: alur kerja mempersiapkannya untuk memulai pada
webhook masuk, jadwal cron, peristiwa, atau obrolan — bahkan saat
Studio ditutup.Agen yang bereaksi terhadap peristiwa dapat mendeklarasikan antrean bernama yang tahan lama sehingga peristiwa yang cocok tidak akan pernah hilang saat agen sibuk atau sebelum sebuah eksekusi mendengarkan. Pada langganan pemicu, atur queue: <name> — mesin mengikat topik tersebut ke antrean FIFO pada bus peristiwa ruang kerja (dipertahankan di bawah .deepcerebra/workflows/events/queues/). Setiap peristiwa yang cocok yang diterbitkan sejak saat itu ditangkap ke dalam antrean; ketika tahap menjadi dapat dijalankan, mesin mengeluarkan peristiwa dalam urutan terlama-pertama dan mengonsumsinya satu per satu.
count per langganan — memerlukan N peristiwa yang diantrekan (atau dikirim) sebelum langganan terpenuhi (berguna ketika beberapa pekerja harus melapor).GET /api/workflow/queues mencantumkan kedalaman dan pengikatan; GET /api/workflow/queues/{name} mengintip peristiwa yang tertunda; agen obrolan dapat memanggil event_queue_status dan 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_idSebuah semafor membatasi berapa banyak tugas yang dapat beroperasi secara bersamaan pada sumber daya bersama (terlindungi): basis data yang sedang ditulis, penyimpanan variabel global, berkas, atau agen eksternal yang dibatasi laju. Lampirkan satu ke tahap mana pun dengan semaphore: — sebelum pekerjaan tahap berjalan, mesin memperoleh satu izin dari semafor ruang kerja bernama; izin tersebut selalu dilepaskan setelahnya, bahkan jika tahap gagal. permits: 1 menjadikannya mutex: hanya satu tugas pada satu waktu (di semua eksekusi paralel di ruang kerja) yang menjalankan langkah kritis; setiap tugas lain menunggu hingga pemegang selesai.
timeout_s untuk izin; jika sumber daya tetap pada kapasitas penuh, tahap akan gagal secara terlihat alih-alih menggantung selamanya.ttl_s; jika pemegang mengalami kerusakan tanpa melepaskan, izin akan kedaluwarsa secara otomatis sehingga sumber daya tidak pernah mengalami kebuntuan.semaphore.<name>.waiting, .acquired, dan .released; GET /api/workflow/semaphores menunjukkan kapasitas, pemegang, dan izin yang tersedia.acquire_semaphore, release_semaphore, dan semaphore_status mengoordinasikan bagian kritis ad-hoc di luar alur kerja.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 minutesRendezvous menunggu hingga beberapa kondisi peristiwa semuanya terpenuhi sebelum langkah berikutnya dilanjutkan — kebalikan dari "peristiwa pertama menang." Atur join: all pada blok events: tahap: setiap langganan pemicu harus terpenuhi sebelum tahap berjalan. Gabungkan dengan count: N per langganan ketika beberapa agen (atau beberapa laporan dari satu agen) harus semuanya melapor — misalnya, persetujuan desain, penyelesaian pengujian, dan persetujuan keamanan sebelum tahap rilis dieksekusi.
join: any (bawaan) — tahap berjalan ketika langganan pemicu pertama terpenuhi.join: all — rendezvous: setiap langganan pemicu (masing-masing dengan topik, filter kelas, dan count opsionalnya sendiri) harus terpenuhi; barulah tahap menjadi dapat dijalankan.trigger_events dan diekspos ke templat sebagai inputs.events (daftar objek peristiwa dengan 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: 1Tahapan memilih alat dari registri yang sama yang digunakan agen obrolan:
create_database, apply_migrations, dan dump_schema untuk lapisan data yang dimiliki.docker_build / docker_push, compose up/down, deployment SSH dan
cloud-CLI (Fly, Render, Railway, Vercel), juga aman simulasi.Class.method) di seluruh matematika, pemrosesan sinyal, kontrol, statistik, dan lainnya./v1 mengekspos eksekusi, peristiwa, pemicu, template, dan generasi untuk CI dan integrasi.db.provision → implementasi → tes yang dihasilkan → audit keamanan → pengemasan deployment →
generasi CI, dengan gerbang manusia sebelum pengemasan — jalur lengkap dari ringkasan hingga produksi yang dapat Anda sesuaikan
dalam hitungan menit.Penyelesaian Tab Prediktif menawarkan saran kode sebaris, isi-di-tengah saat Anda mengetik di editor — terima saran dengan Tab. Ini adalah fitur opt-in baik di mesin maupun editor web.
DCC_TAB_COMPLETE=1. Editor memanggil
endpoint POST /api/complete mesin, yang hanya mengembalikan teks untuk disisipkan di kursor.VITE_TAB_COMPLETE=1, atau saat runtime dengan
localStorage.setItem('dcc.tabComplete', '1') (lalu muat ulang).Buka Penagihan dari bilah sisi untuk mengelola paket dan penggunaan Anda. Penggunaan AI diukur dalam kredit dolar AS berdasarkan token yang dikonsumsi oleh model yang mendasarinya.
| Paket | Harga bulanan | Penggunaan AI bulanan yang termasuk |
|---|---|---|
| Basic | $20 | $10 |
| Pro | $75 | $30 |
| Ultimate | $200 | $150 |
Kunci API gateway (token akses pribadi) memungkinkan Anda menggunakan API publik DeepCerebra dan CLI secara terprogram.
read, chat, code, agent
— dan kedaluwarsa opsional dalam hari (kosong = tidak pernah).Gunakan dengan CLI atau API di 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/...Anda dapat mengganti nama atau menghapus (mencabut) kunci kapan saja; setiap kunci menunjukkan prefiks, cakupan, tanggal dibuat/kedaluwarsa, dan tanggal terakhir digunakan.
Beralihlah ke Chrome, Edge, atau Brave, atau gunakan Buka dari Git sebagai gantinya.
Klik Hentikan, lalu ubah frasa dengan petunjuk atau batasan konkret.
dcc-bridge berjalan dan perangkat menunjukkan status online.1234) dengan
model yang dimuat.--gateway
(wss://deepcerebra.ai atau wss://deepcerebra.io) — kedua situs adalah
deployment terpisah, dan token dari satu situs tidak akan pernah berfungsi di situs lain.Buka atau buat cabang kerja sebelum menggunakan Integrasikan untuk membuka permintaan tarik.
Masih buntu? Hubungi support@deepcerebra.ai.
Discovery adalah chatbot investigasi untuk basis data dan dokumen Anda.
Alih-alih menjawab dengan satu kueri, ia bekerja seperti seorang analis: ia membentuk hipotesis,
menjalankan serangkaian penyelidikan yang dijaga (SQL, grafik, pencarian dokumen, pemeriksaan skema, koroborasi web), memangkas
penjelasan yang disangkal oleh bukti, dan mensintesis jawaban yang berdasar — lengkap dengan bagan dan
tanda terima biaya yang transparan. Buka dari ikon kompas di bilah aktivitas
(/app/discovery).
Sebuah Ruang menggabungkan semua yang dibutuhkan oleh satu alur pertanyaan: koneksi basis data, koleksi dokumen, instruksi untuk analis, dan anggaran. Buat satu dengan + Ruang baru, lalu gunakan panel pengaturan di sebelah kanan untuk:
Ketik pertanyaan seperti Anda bertanya kepada rekan kerja — misalnya "Mengapa volume pemindaian MRI menurun pada bulan Maret?". Papan investigasi menyiarkan seluruh proses secara langsung:
Pertanyaan lanjutan melanjutkan alur yang sama, sehingga analis mempertahankan konteksnya.
Bagan dirender secara inline di papan investigasi. Gunakan Ekspor untuk mengunduh pertanyaan lengkap — jawaban, hipotesis, bukti, dan bagan — sebagai laporan HTML mandiri atau PDF berkualitas cetak, ditata dengan sistem desain neon.
Setiap ruang memiliki anggaran per-pertanyaan: jumlah maksimum penyelidikan, putaran investigasi, detik, dan USD. Mesin berhenti dengan rapi pada batas dan melaporkan apa yang telah ditemukan sejauh ini. Biaya setiap penyelidikan dirinci pada tanda terima, sehingga Anda selalu tahu ke mana pengeluaran itu pergi.
/v1/discovery/* dengan
PAT yang membawa cakupan discovery (buat di bawah Akun → Token API).
Permintaan streaming menggunakan SSE. Eksekutor eksternal dapat meminjam perencanaan investigasi melalui Thinking API
(/v1/think/*, cakupan think).pip install deepcerebra-discovery, lalu
DiscoveryClient(base_url, token).ask(space_id, question).discovery.ask) ke dalam alur kerja apa pun untuk menjalankan investigasi sebagai langkah pipeline;
jawaban, bagan, dan tanda terima mengalir ke tahap hilir.discovery_ask dan
discovery_list_spaces sebagai alat MCP, sehingga klien MCP eksternal juga dapat menjalankan investigasi.