Skip to content

Metodología abierta · MIT · Independiente del agente

Los modelos importan. El contexto importa más.

Deep Work Plan convierte cualquier repositorio en un entorno estructurado — contexto, guardrails y un plan duradero — donde cualquier agente de código ejecuta con precisión y completa el trabajo de largo aliento.

Dale esto a tu agente

Lee y sigue las instrucciones en https://deepworkplan.com/init.md para hacer este repositorio AI-first.

Deep Work Plan es desarrollo guiado por especificación donde el propio repositorio se convierte en el harness.

Ver el prompt de /init Leer la metodología Leer la especificación →

El problema y la respuesta

Los agentes de programación de IA son muy eficaces en ráfagas cortas. En trabajo de largo alcance — una migración, un subsistema nuevo, una refactorización en decenas de archivos — se desvían: el contexto se llena, las decisiones se olvidan y las tareas de varias horas se abandonan a medio camino.

Deep Work Plan responde con desarrollo guiado por especificación: el plan es la fuente de verdad duradera y los agentes ejecutan contra criterios de aceptación y puertas de validación explícitos. La desviación baja, el trabajo se mantiene verificable y cualquier agente puede reanudarlo entre sesiones.

También es ingeniería de harness hecha portable. Un harness de agente es el andamiaje alrededor de un modelo — contexto, herramientas, bucle de control, barreras, estado reanudable — que lo hace fiable. Deep Work Plan instala ese harness en el propio repositorio (AGENTS.md, docs, el hogar de skills .agents/, el skill de DWP), para que cualquier agente pueda pilotar cualquier repo. Nació en Dailybot, se probó durante meses y se publicó como la DailybotHQ/deepworkplan-skill.

Incorporación basada en razonamiento

Apúntalo a cualquier repositorio. Razona, no copia y pega.

El flujo de incorporación inspecciona los lenguajes, frameworks, gestor de paquetes y comandos de validación reales de tu repositorio, y luego genera artefactos adaptados a ese repositorio. Un esbozo genérico se trata como un fallo.

  1. 01

    Razona sobre tu stack y arquetipo

    Lee los manifiestos, la estructura de carpetas y la CI para inferir los comandos reales de prueba, lint y compilación, y luego clasifica el repositorio como repo individual o como hub orquestador.

  2. 02

    Genera AGENTS.md, docs/ y documentación por módulo

    Un AGENTS.md razonado, una jerarquía docs/ categorizada y un README más docs/ dentro de cada módulo principal, completados con los comandos reales de tu repositorio, no con marcadores de posición.

  3. 03

    Crea .agents/ con el enlace simbólico .claude a .agents

    Un directorio .agents/ multiagente (skills, agentes, comandos) y el enlace simbólico .claude a .agents, reflejando CLAUDE.md a AGENTS.md, para que cada herramienta lea una única fuente de verdad.

  4. 04

    Instala el skill de DWP y crea .dwp/

    Conecta el skill de Deep Work Plan y crea la carpeta .dwp/ ignorada por git para planes y borradores, y luego, de forma opcional, añade complementos como soporte de devcontainer.

Qué ocurre cuando lo ejecutas

Una sola instrucción. El repositorio hace el resto.

No eliges un método de instalación ni copias una plantilla. Le das a tu agente una sola línea; instala el skill — el motor reutilizable — y adapta tu repositorio a él.

  1. 01

    Tu agente abre /init.md

    Lee el prompt de incorporación en deepworkplan.com/init.md y la metodología, la especificación y el kit que enlaza: el estándar que está a punto de adoptar.

  2. 02

    Instala el skill de Deep Work Plan

    El skill es el motor — el mismo en todos los repositorios. Un comando trae el router y sus sub-skills (create, execute, refine, resume, status, verify, onboard, author) para Claude Code, Cursor, Codex, Gemini y Copilot.

  3. 03

    Adapta tu repositorio

    Razonando sobre tu stack real — nunca copiando y pegando — escribe AGENTS.md, un árbol docs/ categorizado, READMEs por módulo, un kit .agents/ razonado y un .dwp/ ignorado por git. Tu repositorio se convierte en el harness.

  4. 04

    Planificas y ejecutas

    Genera Deep Work Plans de largo alcance para cualquier tarea y ejecútalos paso a paso, con criterios de aceptación explícitos, puertas de validación y estado reanudable — de forma autónoma, durante horas.

El skill se instala idéntico en todas partes; lo que se adapta es tu repositorio — el AGENTS.md, los docs y el kit .agents/ razonado generados para tu stack. Esa separación es lo que hace de la metodología un estándar reutilizable y no un andamiaje de una sola vez.

Lo que obtienes

Todo lo que tu agente necesita para trabajar de forma autónoma.

Una sola ejecución, confirmada de forma atómica. Cada resultado es Markdown y cada cambio es auditable.

  • AGENTS.md en la raíz del repositorio

    Razonado a partir del stack, los comandos y la estructura reales de tu repositorio, no una plantilla con marcadores de posición. CLAUDE.md se enlaza simbólicamente a AGENTS.md.

  • docs/ categorizado y documentación por módulo

    Arquitectura, configuración, estándares y resolución de problemas, además de un README y docs/ dentro de cada módulo principal, generados a partir de tu base de código.

  • .agents/ con el enlace simbólico .claude a .agents

    Un directorio .agents/ multiagente (skills, agentes, comandos) con el enlace simbólico .claude a .agents para que cada herramienta lea una única fuente de verdad.

  • El skill de Deep Work Plan, instalado

    create, execute, refine, resume, status, verify, onboard y author, disponibles para tu agente como un único paquete de skills, sin copia por repositorio.

  • Conformidad que puedes comprobar

    /dwp-verify produce un informe objetivo de aprobado/fallido frente a la especificación, de modo que "AI-first" se verifica, no se afirma — y es reverificable tras cada plan.

  • Dos arquetipos, gestionados

    La incorporación clasifica tu repositorio como repo individual (el caso común) o como hub orquestador que coordina planes hijos entre repositorios.

  • Un kit vivo que tu repositorio crea

    La subhabilidad author (skill-create, agent-create) permite al repositorio crear sus propias habilidades, agentes y comandos; los complementos de mantenimiento opcionales como dependency-upgrade ayudan a mantenerlo actualizado.

  • Nativo de git, reanudable, .dwp/

    Sin demonios ni estado externo. Los planes y borradores quedan en una carpeta .dwp/ ignorada por git, y cualquier tarea se reanuda solo desde git, incluso tras un desbordamiento de contexto.

Agentes

Funciona con el agente que ya usas.

Una sola metodología, muchos adaptadores. Markdown no acopla el framework a nada: cada agente que lee Markdown puede ejecutar un Deep Work Plan.

Claude Code

Completo

Implementación de referencia, con WebFetch nativo y comandos de barra.

Cursor

Completo

Adaptador completo. Usa el paquete sin conexión si WebFetch está restringido.

OpenAI Codex

Completo

Se recomienda el paquete sin conexión; las reglas se instalan en .codex/.

GitHub Copilot

Completo

Adaptador completo — los comandos dwp-* se ejecutan a través de AGENTS.md y procedimientos #.

Gemini

Completo

Requiere Gemini 2.5 Pro o superior, con WebFetch nativo.

OpenCode

Completo

Código abierto. Lee AGENTS.md de forma nativa y ejecuta dwp-* mediante comandos #.

Windsurf

Completo

Las reglas y los procedimientos de comandos # impulsan el bucle completo de Deep Work Plan.

Cline

Completo

Código abierto. Las reglas en Markdown y los comandos # ejecutan cada paso de dwp-*.

Antigravity

Completo

Adaptador completo con una superficie de comandos nativa.

Ver todos los agentes →

Stacks

Ajustes de razonamiento para los stacks que importan.

Son ayudas de razonamiento, no plantillas. La incorporación lee los manifiestos reales de tu repositorio y se adapta a cada stack: nunca copia un ajuste a ciegas. Los monorepos obtienen documentación por módulo.

  • 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 Módulos · stdlib
  • Rust Cargo · 2021+
  • Genérico Cualquier stack
Ver todos los presets →

Dos arquetipos

Repositorio individual u hub orquestador.

La incorporación se bifurca según el arquetipo. La mayoría de los repositorios son individuales. Un hub coordina Deep Work Plans hijos entre muchos repositorios. La metodología gestiona ambos como ciudadanos de primera clase.

Caso común

Repositorio individual

Una sola base de código con un stack principal, sus propios comandos de validación y documentación por módulo. Es el valor por defecto: la incorporación lo asume salvo que el repositorio sea claramente un hub.

Por ejemplo, una API de Django, una app de Vue o un servicio Lambda de TypeScript.

Coordinación

Hub orquestador

Un repositorio de coordinación que orquesta el trabajo entre subrepositorios mediante un manifiesto orquestador, generando planes hijos que se confirman en su propio repositorio, además de reglas de frontera y un índice de navegación.

Por ejemplo, un hub que coordina cinco repositorios de producto.

Metodología frente a herramienta

Una capa distinta. Complementaria, no competidora.

Deep Work Plan no es otro generador de andamiaje. Es la capa de metodología que está debajo de cualquier herramienta de andamiaje o basada en especificaciones, centrada en ejecuciones autónomas de varias horas.

Metodología frente a herramienta Deep Work Plan Herramientas de andamiaje/especificación
Enfoque principal Ejecución autónoma de varias horas Generación de especificaciones o andamiaje
Unidad de trabajo Un Deep Work Plan (sesión reanudable) Un documento de especificación o un andamiaje
Modelo de estado Carpeta .dwp/ nativa de git, reanudable A menudo externo o dentro del IDE
Acoplamiento al agente Independiente del agente (Markdown y Bash) A menudo específico de una herramienta o IDE
Recuperación de contexto Se reanuda tras un desbordamiento de contexto Normalmente reinicia la tarea
Licencia MIT, metodología y kit abiertos Variable

Origen

Creado por Dailybot, la empresa detrás de los standups asincrónicos para equipos distribuidos. Internamente usamos Deep Work Plans para hacer pilotables por agentes repositorios de producción que abarcan Django, Vue, Lambda de TypeScript y Astro. Tras meses de uso en producción, liberamos la metodología bajo licencia MIT.

— El equipo de ingeniería de Dailybot
Conoce Dailybot

Haz que tu repositorio sea AI-first

Dale deep work a tus agentes.

Dale a tu agente una sola línea — apúntalo a /init.md — y hace que tu repositorio sea AI-first: instala el skill, razona sobre tu stack y confirma una jerarquía completa de AGENTS.md. Desde ahí creas y ejecutas Deep Work Plans que corren de forma autónoma durante horas.

Abrir el prompt de /init Leer la metodología

Con licencia MIT · sin telemetría · los resultados van a una carpeta .dwp/ ignorada por git.