Skip to content

Offene Methodik · MIT · Agenten-agnostisch

Modelle zählen. Kontext zählt mehr.

Deep Work Plan verwandelt jedes Repository in eine strukturierte Umgebung — Kontext, Leitplanken und einen dauerhaften Plan — in der jeder Coding-Agent präzise arbeitet und langfristige Aufgaben abschließt.

Geben Sie Ihrem Agenten dies

Lesen Sie die Anweisungen unter https://deepworkplan.com/init.md und befolgen Sie sie, um dieses Repository AI-first zu machen.

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

Den vollständigen /init-Prompt ansehen Methodik lesen Spezifikation lesen →

Das Problem und die Antwort

KI-Coding-Agenten sind in kurzen Schüben bemerkenswert wirksam. Bei langfristiger Arbeit — einer Migration, einem neuen Subsystem, einem Refactoring über Dutzende Dateien hinweg — driften sie ab: Der Kontext füllt sich, Entscheidungen geraten in Vergessenheit, und mehrstündige Aufgaben werden auf halbem Weg abgebrochen.

Deep Work Plan antwortet mit spec-driven Development: Der Plan ist die dauerhafte Quelle der Wahrheit, und Agenten arbeiten gegen explizite Akzeptanzkriterien und Validierungs-Gates. Das Abdriften nimmt ab, die Arbeit bleibt überprüfbar, und jeder Agent kann sie über Sitzungen hinweg wiederaufnehmen.

Es ist zugleich Harness Engineering, portabel gemacht. Ein Agenten-Harness ist das Gerüst um ein Modell herum — Kontext, Werkzeuge, Steuerschleife, Leitplanken, wiederaufnehmbarer Zustand —, das es zuverlässig macht. Deep Work Plan installiert dieses Harness in das Repository selbst (AGENTS.md, docs, das .agents/ Skill-Verzeichnis, die DWP-Skill), sodass jeder Agent jedes Repository steuern kann. Entstanden bei Dailybot, über Monate im Praxiseinsatz erprobt und als DailybotHQ/deepworkplan-skill veröffentlicht.

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 dem .claude-zu-.agents-Symlink an

    Ein agentenübergreifendes .agents/-Verzeichnis (Skills, Agenten, Befehle) und der .claude-zu-.agents-Symlink, der CLAUDE.md auf AGENTS.md spiegelt, 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 und Entwürfe, 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) 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 dem .claude-zu-.agents-Symlink

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

  • Die Deep Work Plan Skill, installiert

    create, execute, refine, resume, status, verify, onboard und author — 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 und Entwürfe 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

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