Skip to content
Deep Work Plan ist heute auf Product Hunt Jetzt upvoten

Offene Methodik · MIT · Agenten-agnostisch

Modelle zählen. Kontext zählt mehr.

Deep Work Plan verwandelt jedes Repository in eine strukturierte Umgebung — Kontext, Guardrails und einen dauerhaften Plan — in der jeder Coding-Agent präzise und effizient arbeitet und langlaufende Arbeit abschließt.

In Ihren Agenten kopieren https://deepworkplan.com/init.md

Kopieren Sie den init.md-Prompt und fügen Sie ihn in Ihren Coding-Agenten ein — Claude Code, Cursor, Codex oder einen anderen — um jedes Repository AI-first zu machen.

Deep Work Plan ist spec-driven Development, bei der das Repository selbst zum Harness wird.

So funktioniert es Methodik lesen Spezifikation lesen →
Ein Leuchtturm an felsiger Küste wirft einen einzelnen Strahl, der ein kleines Schiff lenkt — ein Stich, der das Repository als stabilen Anker („harness“) zeigt, der jeden Agenten führt.
Ein Diptychon: links ein im Nebel neben Felsen abtreibendes Schiff, rechts dasselbe Schiff auf gezeichnetem Kurs ruhig Richtung Hafenfeuer.

Das Problem und die Antwort

In kurzen Spitzen sind Coding-Agenten beeindruckend. Übergeben Sie ihnen eine langlaufende Mission — eine Migration, ein neues Subsystem, eine Refaktorierung über Dutzende Dateien —, driftet der Agent ab: Der Kontext füllt sich, frühere Entscheidungen verblassen und stundenlange Arbeit bleibt auf halbem Weg liegen.

Deep Work Plan antwortet mit spec-driven development: ein dauerhafter Plan, atomare Aufgaben und Validierungs-Gates, die der Agent bestehen muss. „Fertig“ ist kein Gefühl mehr — es wird zu überprüfbarer, reviewbarer Evidenz.

Und weil der Kontext die knappste Ressource Ihres Agenten ist, ist das Harness darauf ausgelegt, seine eigene Instruktionslast klein und prüfbar zu halten: Anweisungen laden progressiv, Validierung berührt nur Geändertes, und jede Aufgabe lernt lokal. Die Last pro Flow wird in Bytes gemessen und mit jedem Release veröffentlicht — das letzte Release senkte den Execute-Flow um 45,7% und den Resume-Flow um 67,5%. Der Plan selbst skaliert nach demselben Prinzip: ein Lite-Plan für eine begrenzte Korrektur, ein Full-Plan für Arbeit, die sich über Stunden erstreckt — das Format folgt immer dem Umfang der Arbeit, nicht umgekehrt.

Die Methode · Akt I

Sie entscheiden, was „fertig“ heißt und wo die Grenzen verlaufen. Der Plan trägt Ihre Absicht; die Agenten verrichten die Stundenarbeit — ohne ständige Beaufsichtigung, ohne Korrekturen alle zwanzig Minuten.

Lesen Sie die Methodik →

Die Methode · Akt II

Lange Aufgaben füllen den Kontext jedes Modells. Details gehen verloren, der Agent driftet. Ein geschriebener Plan — atomare Aufgaben, Validierungs-Gates, wiederaufnehmbarer Zustand — ist der Ankerpunkt, zu dem er Runde für Runde zurückkehrt.

Kernzyklus ansehen →

Die Methode · Akt III

Jede Aufgabe nennt ihre Abnahmekriterien und die Prüfungen, die bestehen müssen. Der Agent darf sich nicht fertig fühlen — er muss bestehen, sonst bleibt die Aufgabe offen.

Spezifikation lesen →

Die Methode · Akt IV

Kontext, Werkzeuge, Leitplanken und Zustand liegen als einfache Dateien in Ihrem Repository, die jeder Agent lesen kann. Kein Lock-in, kein externes Gehirn — übersteht Kontext-Resets.

Sehen Sie, was das Onboarding erzeugt →

Die Methode · Akt V

Der Kontext ist die knappste Ressource Ihres Agenten. Das Harness lädt progressiv, validiert nur Geändertes und lernt Aufgabe für Aufgabe — mit der Instruktionslast jedes Flows gemessen und veröffentlicht, Release für Release.

Lesen Sie die Methodik →

Reasoning-basiertes Onboarding

Richten Sie es auf ein beliebiges Repository. Es schlussfolgert — es kopiert nicht.

Der Onboarding-Ablauf untersucht die tatsächlichen Sprachen, Frameworks, den Paketmanager und die Validierungsbefehle Ihres Repositorys und erzeugt dann Artefakte, die an dieses Repository angepasst sind. Ein generischer Platzhalter gilt als Fehlschlag.

  1. 01

    Schlussfolgert über Ihren Stack und Archetyp

    Liest Manifeste, Ordnerstruktur und CI, um die tatsächlichen Test-, Lint- und Build-Befehle abzuleiten, und stuft das Repository anschließend als Einzel-Repository oder als Orchestrator-Hub ein.

  2. 02

    Erzeugt AGENTS.md, docs/ und Dokumentation je Modul

    Eine durchdachte AGENTS.md, eine kategorisierte docs/-Hierarchie sowie eine README und docs/ in jedem größeren Modul — gefüllt mit den echten Befehlen Ihres Repositorys, nicht mit Platzhaltern.

  3. 03

    Legt .agents/ mit den .claude- und .cursor-Symlinks an

    Ein agentenübergreifendes .agents/-Verzeichnis (Skills, Agenten, Befehle) und die .claude- und .cursor-zu-.agents-Symlinks, sodass jedes Werkzeug eine einzige Quelle der Wahrheit liest.

  4. 04

    Installiert die DWP-Skill und legt .dwp/ an

    Bindet die Deep Work Plan Skill ein und erstellt den per gitignore ausgeschlossenen .dwp/-Ordner für Pläne, installiert das verpflichtende lokale AI Diff Reviewer-Review und ergänzt anschließend optional Opt-in-Addons wie Devcontainer-Unterstützung.

Was passiert, wenn Sie es ausführen

Eine Anweisung. Das Repository erledigt den Rest.

Sie wählen keine Installationsmethode und kopieren keine Vorlage. Sie geben Ihrem Agenten eine Zeile; er installiert die Skill — die wiederverwendbare Engine — und passt Ihr Repository daran an.

  1. 01

    Ihr Agent öffnet /init.md

    Er liest den Onboarding-Prompt unter deepworkplan.com/init.md sowie die verlinkte Methodik, Spezifikation und das Kit — den Standard, den er gleich übernehmen wird.

  2. 02

    Er installiert die Deep Work Plan Skill

    Die Skill ist die Engine — in jedem Repository dieselbe. Ein Befehl bindet den Router und seine Sub-Skills (create, execute, refine, resume, status, verify, onboard, author, upgrade) für Claude Code, Cursor, Codex, Gemini und Copilot ein.

  3. 03

    Er passt Ihr Repository an

    Indem er über Ihren echten Stack schlussfolgert — niemals kopiert —, schreibt er AGENTS.md, einen kategorisierten docs/-Baum, READMEs je Modul, ein durchdachtes .agents/-Kit und ein per gitignore ausgeschlossenes .dwp/. Ihr Repository wird zum Harness.

  4. 04

    Sie planen und führen aus

    Erzeugen Sie langfristige Deep Work Plans für jede Aufgabe und führen Sie diese Schritt für Schritt aus — mit expliziten Akzeptanzkriterien, Validierungs-Gates und wiederaufnehmbarem Zustand — autonom, über Stunden hinweg.

Die Skill wird überall identisch installiert; angepasst wird Ihr Repository — die AGENTS.md, die Dokumentation und das für Ihren Stack erzeugte, durchdachte .agents/-Kit. Diese Trennung macht die Methodik zu einem wiederverwendbaren Standard und nicht zu einem einmaligen Gerüst.

Was Sie erhalten

Alles, was Ihr Agent für autonomes Arbeiten braucht.

Ein Durchlauf, atomar committet. Jede Ausgabe ist Markdown und jede Änderung ist nachvollziehbar.

  • AGENTS.md im Repository-Stammverzeichnis

    Durchdacht aus dem tatsächlichen Stack, den Befehlen und der Struktur Ihres Repositorys abgeleitet — keine Vorlage mit Platzhaltern. CLAUDE.md ist per Symlink mit AGENTS.md verbunden.

  • Kategorisierte docs/ und Dokumentation je Modul

    Architektur, Einrichtung, Standards und Fehlerbehebung — plus eine README und docs/ in jedem größeren Modul, erzeugt aus Ihrer Codebasis.

  • .agents/ mit den .claude- und .cursor-zu-.agents-Symlinks

    Ein agentenübergreifendes .agents/-Verzeichnis (Skills, Agenten, Befehle) mit den .claude- und .cursor-zu-.agents-Symlinks, sodass jedes Werkzeug eine einzige Quelle der Wahrheit liest.

  • Die Deep Work Plan Skill, installiert

    create, execute, refine, resume, status, verify, onboard, author und upgrade — für Ihren Agenten als ein einziges Skill-Paket verfügbar, ohne Kopie je Repository.

  • Konformität, die Sie prüfen können

    /dwp-verify erzeugt einen objektiven Bestanden/Nicht-bestanden-Bericht anhand der Spezifikation, sodass „AI-first“ verifiziert und nicht bloß behauptet ist — und nach jedem Plan erneut überprüfbar.

  • Zwei Archetypen, abgedeckt

    Das Onboarding stuft Ihr Repository als Einzel-Repository (der Regelfall) oder als Orchestrator-Hub ein, der untergeordnete Pläne über mehrere Repositorys hinweg koordiniert.

  • Ein lebendiges Kit, das Ihr Repository ausbaut

    Die author-Sub-Skill (skill-create, agent-create) lässt das Repository eigene Skills, Agenten und Befehle weiterentwickeln; Opt-in-Wartungs-Addons wie dependency-upgrade helfen ihm, sich aktuell zu halten.

  • Git-nativ, wiederaufnehmbar, .dwp/

    Kein Daemon und kein externer Zustand. Pläne landen in einem per gitignore ausgeschlossenen .dwp/-Ordner, und jede Aufgabe setzt allein aus git wieder auf — selbst nach einem Kontextüberlauf.

Agenten

Funktioniert mit dem Agenten, den Sie bereits nutzen.

Eine Methodik, viele Adapter. Markdown koppelt das Framework an nichts — jeder Agent, der Markdown liest, kann einen Deep Work Plan ausführen.

Claude Code

Vollständig

Referenzimplementierung, mit nativem WebFetch und Slash-Befehlen.

Cursor

Vollständig

Vollständiger Adapter. Nutzen Sie das Offline-Bundle, falls WebFetch gesperrt ist.

OpenAI Codex

Vollständig

Offline-Bundle empfohlen; Regeln werden unter .codex/ installiert.

GitHub Copilot

Vollständig

Vollständiger Adapter — die dwp-*-Befehle laufen über AGENTS.md und #-Prozeduren.

Gemini

Vollständig

Erfordert Gemini 2.5 Pro oder neuer, mit nativem WebFetch.

OpenCode

Vollständig

Open Source. Liest AGENTS.md nativ und führt dwp-* über #-Befehle aus.

Windsurf

Vollständig

Regeln plus #-Befehlsprozeduren steuern den vollständigen Deep Work Plan Loop.

Cline

Vollständig

Open Source. Markdown-Regeln und #-Befehle führen jeden dwp-*-Schritt aus.

Antigravity

Vollständig

Vollständiger Adapter mit nativer Befehlsoberfläche.

Alle Agenten ansehen →

Stacks

Reasoning-Presets für die Stacks, auf die es ankommt.

Dies sind Hilfen zum Schlussfolgern, keine Vorlagen. Das Onboarding liest die echten Manifeste Ihres Repositorys und passt sich je Stack an — es kopiert ein Preset nie blind. Monorepos erhalten Dokumentation je Modul.

  • Django DRF · Poetry
  • FastAPI Pydantic · Poetry
  • Vue Vite · TypeScript
  • React Next · Vite · TS
  • Astro Svelte/React · MDX
  • TypeScript · Node Express · Fastify
  • TypeScript · Lambda Serverless · SAM
  • Go Module · stdlib
  • Rust Cargo · 2021+
  • Generisch Beliebiger Stack
Alle Presets ansehen →

Zwei Archetypen

Einzel-Repository oder Orchestrator-Hub.

Das Onboarding verzweigt anhand des Archetyps. Die meisten Repositorys sind Einzel-Repositorys. Ein Hub koordiniert untergeordnete Deep Work Plans über viele Repositorys hinweg. Die Methodik behandelt beide als gleichwertig.

Regelfall

Einzel-Repository

Eine einzelne Codebasis mit einem primären Stack, eigenen Validierungsbefehlen und Dokumentation je Modul. Die Voreinstellung — das Onboarding nimmt sie an, sofern das Repository nicht eindeutig ein Hub ist.

Zum Beispiel eine Django-API, eine Vue-App oder ein TypeScript-Lambda-Service.

Koordination

Orchestrator-Hub

Ein Koordinations-Repository, das Arbeit über Sub-Repositorys hinweg mittels eines Orchestrator-Manifests orchestriert und untergeordnete Pläne erzeugt, die jeweils im eigenen Repository committen, ergänzt um Grenzregeln und einen Navigationsindex.

Zum Beispiel ein Hub, der fünf Produkt-Repositorys koordiniert.

Methodik versus Werkzeug

Eine andere Ebene. Ergänzend, nicht konkurrierend.

Deep Work Plan ist kein weiterer Scaffolder. Es ist die Methodikebene unterhalb jedes spec-driven oder Scaffolding-Werkzeugs, ausgerichtet auf mehrstündige autonome Durchläufe.

Methodik versus Werkzeug Deep Work Plan Scaffolding- / Spec-Werkzeuge
Primärer Fokus Mehrstündige autonome Ausführung Spec- oder Scaffold-Erzeugung
Arbeitseinheit Ein Deep Work Plan (wiederaufnehmbare Sitzung) Ein Spec-Dokument oder ein Scaffold
Zustandsmodell Git-nativer .dwp/-Ordner, wiederaufnehmbar Oft extern oder in der IDE
Agenten-Kopplung Agenten-agnostisch (Markdown und Bash) Oft werkzeug- oder IDE-spezifisch
Kontextwiederherstellung Setzt nach Kontextüberlauf wieder auf Startet die Aufgabe typischerweise neu
Lizenz MIT, offene Methodik und offenes Kit Unterschiedlich

Ursprung

Entwickelt von Dailybot — dem Unternehmen hinter asynchronen Standups für verteilte Teams. Intern haben wir Deep Work Plans genutzt, um Produktions-Repositorys über Django, Vue, TypeScript-Lambda und Astro hinweg agenten-steuerbar zu machen. Nach Monaten im Produktiveinsatz haben wir die Methodik unter MIT als Open Source freigegeben.

— Das Engineering-Team von Dailybot
Mehr über Dailybot erfahren

Machen Sie Ihr Repository AI-first

Geben Sie Ihren Agenten Deep Work.

Geben Sie Ihrem Agenten eine Zeile — richten Sie ihn auf /init.md — und er macht Ihr Repository AI-first: Er installiert die Skill, schlussfolgert über Ihren Stack und committet eine vollständige AGENTS.md-Hierarchie. Von dort aus erstellen und führen Sie Deep Work Plans aus, die stundenlang autonom laufen.

Den /init-Prompt öffnen Methodik lesen
Für Agenten & Entwickler

MIT-lizenziert · keine Telemetrie · Ausgaben in einen per gitignore ausgeschlossenen .dwp/-Ordner.