Skip to content
Deep Work Plan est sur Product Hunt aujourd’hui Votez pour nous

Méthodologie ouverte · MIT · Indépendante de l’agent

Les modèles comptent. Le contexte compte davantage.

Deep Work Plan transforme n’importe quel dépôt en un environnement structuré — contexte, garde-fous et un plan durable — où n’importe quel agent de codage exécute avec précision et efficacité et mène à bien le travail de longue haleine.

Copier dans votre agent https://deepworkplan.com/init.md

Copiez le prompt init.md et collez-le dans votre agent de code — Claude Code, Cursor, Codex ou tout autre — pour rendre n'importe quel dépôt AI-first.

Deep Work Plan, c’est le développement piloté par la spécification, où le dépôt lui-même devient le harness.

Voir comment ça marche Lire la méthodologie Lire la spécification →
Un phare sur une côte rocheuse projette un faisceau unique qui guide un petit navire — une gravure évoquant le dépôt comme un harness stable qui guide tout agent.
Un diptyque gravé : d’un côté un navire à la dérive dans le brouillard près des rochers, de l’autre le même navire sur un cap tracé vers un feu de port.

Le problème et la réponse

En courtes salves, les agents de codage sont remarquables. Confiez-leur une mission de long terme — une migration, un nouveau sous-système, une refactorisation de dizaines de fichiers — ils dérivent : le contexte se remplit, les décisions s’effacent et des heures de travail restent inachevées.

Deep Work Plan répond par le développement piloté par la spécification : un plan durable, des tâches atomiques et des validation gates que l’agent doit franchir. « Fini » cesse d’être une impression — cela devient une preuve vérifiable et relisible.

Et parce que le contexte est la ressource la plus rare de votre agent, le harness est conçu pour garder sa propre charge d’instructions faible et auditable : les instructions se chargent progressivement, la validation ne touche que ce qui a changé, et chaque tâche apprend localement. La charge de chaque flux est mesurée en octets et publiée à chaque publication — la dernière publication a réduit le flux d’exécution de 45,7 % et le flux de reprise de 67,5 %. Le plan lui-même suit le même principe : un plan Lite pour une correction bornée, un plan Full pour un travail qui s’étend sur des heures — le format suit toujours l’ampleur du travail, jamais l’inverse.

La méthode · Acte I

Vous décidez de ce que « terminé » signifie et des limites à ne pas franchir. Le plan porte votre intention ; les agents font les heures — sans surveillance permanente, sans correction toutes les vingt minutes.

Lire la méthodologie →

La méthode · Acte II

Les longues tâches remplissent le contexte de n’importe quel modèle. Les détails s’effacent et l’agent dérive. Un plan écrit — tâches atomiques, portes de validation, état reprenable — est le repère vers lequel il revient, tour après tour.

Voir la boucle principale →

La méthode · Acte III

Chaque tâche nomme ses critères d’acceptation et les vérifications qui doivent passer. L’agent ne peut pas se sentir fini — il doit passer, sinon la tâche reste ouverte.

Lire la spécification →

La méthode · Acte IV

Contexte, outils, garde-fous et état vivent dans votre dépôt sous forme de fichiers simples que n’importe quel agent peut lire. Pas d’enfermement, pas de cerveau externe — tout survit aux réinitialisations de contexte.

Voir ce que l’onboarding génère →

La méthode · Acte V

Le contexte est la ressource la plus rare de votre agent. Le harness se charge progressivement, ne valide que ce qui a changé et apprend tâche par tâche — la charge d’instructions de chaque flux étant mesurée et publiée, publication après publication.

Lire la méthodologie →

Onboarding fondé sur le raisonnement

Pointez-le vers n’importe quel dépôt. Il raisonne — il ne copie-colle pas.

Le flux d’onboarding inspecte les langages, frameworks, gestionnaire de paquets et commandes de validation réels de votre dépôt, puis génère des artefacts adaptés à ce dépôt. Une ébauche générique est traitée comme un échec.

  1. 01

    Raisonne sur votre stack et votre archétype

    Lit les manifestes, l’arborescence des dossiers et la CI pour déduire les vraies commandes de test, de lint et de build, puis classe le dépôt comme dépôt individuel ou comme hub orchestrateur.

  2. 02

    Génère AGENTS.md, docs/ et la doc par module

    Un AGENTS.md raisonné, une hiérarchie docs/ catégorisée, et un README plus docs/ dans chaque module principal — remplis avec les vraies commandes de votre dépôt, pas des espaces réservés.

  3. 03

    Échafaude .agents/ avec les liens symboliques .claude et .cursor

    Un répertoire .agents/ partagé entre agents (skills, agents, commandes) et les liens symboliques .claude et .cursor vers .agents, afin que chaque outil lise une seule source de vérité.

  4. 04

    Installe le skill DWP et échafaude .dwp/

    Branche le skill Deep Work Plan et crée le dossier .dwp/ (ignoré par git) pour les plans, installe la revue locale obligatoire AI Diff Reviewer, puis superpose en option des addons facultatifs comme la prise en charge du devcontainer.

Ce qui se passe quand vous le lancez

Une seule instruction. Le dépôt fait le reste.

Vous ne choisissez pas de méthode d’installation et ne copiez aucun modèle. Vous donnez une seule ligne à votre agent ; il installe le skill — le moteur réutilisable — et y adapte votre dépôt.

  1. 01

    Votre agent ouvre /init.md

    Il lit le prompt d’onboarding sur deepworkplan.com/init.md ainsi que la méthodologie, la spécification et le kit qu’il référence — le standard qu’il s’apprête à adopter.

  2. 02

    Il installe le skill Deep Work Plan

    Le skill est le moteur — le même dans chaque dépôt. Une seule commande importe le routeur et ses sous-skills (create, execute, refine, resume, status, verify, onboard, author, upgrade) pour Claude Code, Cursor, Codex, Gemini et Copilot.

  3. 03

    Il adapte votre dépôt

    En raisonnant sur votre stack réelle — jamais en copiant-collant — il écrit AGENTS.md, une arborescence docs/ catégorisée, des README par module, un kit .agents/ raisonné et un .dwp/ ignoré par git. Votre dépôt devient le harness.

  4. 04

    Vous planifiez et exécutez

    Générez des Deep Work Plans de longue haleine pour n’importe quelle tâche et exécutez-les étape par étape, avec des critères d’acceptation explicites, des portes de validation et un état reprenable — de manière autonome, pendant des heures.

Le skill est installé à l’identique partout ; ce qui est adapté, c’est votre dépôt — l’AGENTS.md, les docs et le kit .agents/ raisonné générés pour votre stack. Cette séparation est ce qui fait de la méthodologie un standard réutilisable plutôt qu’un échafaudage ponctuel.

Ce que vous obtenez

Tout ce dont votre agent a besoin pour travailler en autonomie.

Une seule exécution, validée de façon atomique. Chaque sortie est en Markdown et chaque changement est auditable.

  • AGENTS.md à la racine du dépôt

    Raisonné à partir de la stack, des commandes et de la structure réelles de votre dépôt — pas un modèle avec des espaces réservés. CLAUDE.md est lié symboliquement à AGENTS.md.

  • Un docs/ catégorisé et de la doc par module

    Architecture, installation, standards et dépannage — ainsi qu’un README et un docs/ dans chaque module principal, générés à partir de votre code.

  • .agents/ avec les liens symboliques .claude et .cursor vers .agents

    Un répertoire .agents/ partagé entre agents (skills, agents, commandes) avec les liens symboliques .claude et .cursor vers .agents, pour que chaque outil lise une seule source de vérité.

  • Le skill Deep Work Plan, installé

    create, execute, refine, resume, status, verify, onboard, author et upgrade — disponibles pour votre agent sous forme d’un seul pack de skills, sans copie par dépôt.

  • Une conformité vérifiable

    /dwp-verify produit un rapport objectif de réussite/échec face à la spécification, de sorte que la qualité « AI-first » est vérifiée, pas affirmée — et revérifiable après chaque plan.

  • Deux archétypes, pris en charge

    L’onboarding classe votre dépôt comme dépôt individuel (le cas courant) ou comme hub orchestrateur qui coordonne des plans enfants entre plusieurs dépôts.

  • Un kit vivant que votre dépôt fait grandir

    Le sous-skill author (skill-create, agent-create) permet au dépôt de faire évoluer ses propres skills, agents et commandes ; des addons de maintenance facultatifs comme dependency-upgrade l’aident à se tenir à jour.

  • Natif git, reprenable, .dwp/

    Aucun démon ni état externe. Les plans atterrissent dans un dossier .dwp/ ignoré par git, et toute tâche reprend à partir de git seul — même après un débordement de contexte.

Agents

Fonctionne avec l’agent que vous utilisez déjà.

Une seule méthodologie, de nombreux adaptateurs. Le Markdown ne couple le framework à rien — tout agent qui lit du Markdown peut exécuter un Deep Work Plan.

Claude Code

Complet

Implémentation de référence, avec WebFetch natif et commandes slash.

Cursor

Complet

Adaptateur complet. Utilisez le bundle hors ligne si WebFetch est restreint.

OpenAI Codex

Complet

Bundle hors ligne recommandé ; règles installées sous .codex/.

GitHub Copilot

Complet

Adaptateur complet — les commandes dwp-* s'exécutent via AGENTS.md et les procédures #.

Gemini

Complet

Nécessite Gemini 2.5 Pro ou plus récent, avec WebFetch natif.

OpenCode

Complet

Open source. Lit AGENTS.md nativement et exécute les dwp-* via les commandes #.

Windsurf

Complet

Les règles et les procédures de commande # pilotent l'intégralité de la boucle Deep Work Plan.

Cline

Complet

Open source. Les règles Markdown et les commandes # exécutent chaque étape dwp-*.

Antigravity

Complet

Adaptateur complet avec une surface de commandes native.

Voir tous les agents →

Stacks

Presets de raisonnement pour les stacks qui comptent.

Ce sont des aides au raisonnement, pas des modèles. L’onboarding lit les vrais manifestes de votre dépôt et s’adapte à chaque stack — il ne copie jamais un preset à l’aveugle. Les monorepos obtiennent une doc par module.

  • 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 Modules · stdlib
  • Rust Cargo · 2021+
  • Générique Toute stack
Voir tous les presets →

Deux archétypes

Dépôt individuel, ou hub orchestrateur.

L’onboarding bifurque selon l’archétype. La plupart des dépôts sont des dépôts individuels. Un hub coordonne des Deep Work Plans enfants entre de nombreux dépôts. La méthodologie traite les deux comme des cas de premier ordre.

Cas courant

Dépôt individuel

Une base de code unique avec une stack principale, ses propres commandes de validation et une doc par module. Le cas par défaut — l’onboarding le suppose à moins que le dépôt ne soit clairement un hub.

Par exemple, une API Django, une application Vue ou un service Lambda TypeScript.

Coordination

Hub orchestrateur

Un dépôt de coordination qui orchestre le travail entre des sous-dépôts via un manifeste d’orchestrateur, en lançant des plans enfants qui valident chacun dans leur propre dépôt, avec des règles de frontière et un index de navigation.

Par exemple, un hub coordonnant cinq dépôts de produit.

Méthodologie versus outil

Une couche différente. Complémentaire, pas concurrente.

Deep Work Plan n’est pas un échafaudeur de plus. C’est la couche méthodologique sous tout outil de spécification ou d’échafaudage, centrée sur les exécutions autonomes de plusieurs heures.

Méthodologie versus outil Deep Work Plan Outils d’échafaudage / spécification
Axe principal Exécution autonome de plusieurs heures Génération de spécification ou d’échafaudage
Unité de travail Un Deep Work Plan (session reprenable) Un document de spécification ou un échafaudage
Modèle d’état Dossier .dwp/ natif git, reprenable Souvent externe ou intégré à l’IDE
Couplage à l’agent Indépendant de l’agent (Markdown et Bash) Souvent spécifique à un outil ou un IDE
Récupération du contexte Reprend après un débordement de contexte Redémarre généralement la tâche
Licence MIT, méthodologie et kit ouverts Variable

Origine

Conçu par Dailybot — l’entreprise derrière les stand-ups asynchrones pour les équipes distribuées. En interne, nous avons utilisé des Deep Work Plans pour rendre pilotables par agent des dépôts de production couvrant Django, Vue, Lambda TypeScript et Astro. Après des mois d’usage en production, nous avons publié la méthodologie en open source sous licence MIT.

— L’équipe d’ingénierie de Dailybot
Découvrir Dailybot

Rendez votre dépôt AI-first

Donnez du travail en profondeur à vos agents.

Donnez une seule ligne à votre agent — pointez-le vers /init.md — et il rend votre dépôt AI-first : il installe le skill, raisonne sur votre stack et valide une hiérarchie AGENTS.md complète. À partir de là, vous créez et exécutez des Deep Work Plans qui s’exécutent en autonomie pendant des heures.

Ouvrir le prompt /init Lire la méthodologie
Pour les agents et les développeurs

Sous licence MIT · zéro télémétrie · sorties vers un dossier .dwp/ ignoré par git.