Skip to content
Deep Work Plan hadir di Product Hunt hari ini Dukung kami

Metodologi terbuka · MIT · Agnostik terhadap agent

Model itu penting. Konteks lebih penting.

Deep Work Plan mengubah repositori apa pun menjadi lingkungan terstruktur — konteks, pagar pengaman, dan rencana yang tahan lama — tempat agen coding mana pun mengeksekusi dengan presisi dan efisien serta menyelesaikan kerja jangka panjang.

Salin ke agent Anda https://deepworkplan.com/init.md

Salin prompt init.md dan tempelkan ke agent coding Anda — Claude Code, Cursor, Codex, atau lainnya — untuk menjadikan repositori apa pun AI-first.

Deep Work Plan adalah spec-driven development tempat repositori itu sendiri menjadi harness.

Lihat cara kerjanya Baca metodologinya Baca spesifikasinya →
Sebuah mercusuar di pesisir berbatu memancarkan satu berkas cahaya yang memandu kapal kecil — ukiran yang menggambarkan repositori sebagai harness mantap yang memandu agent mana pun.
Diptych ukiran: satu sisi kapal yang hanyut di kabut dekat karang, sisi lain kapal yang sama menuju mercusuar pelabuhan di jalur yang tergambar.

Masalah dan jawabannya

Dalam ledakan singkat, agen coding mengesankan. Serahkan misi jangka panjang — sebuah migrasi, subsistem baru, refaktor puluhan file — dan mereka menyimpang: konteks penuh, keputusan sebelumnya memudar, dan kerja berjam-jam mandek di tengah jalan.

Deep Work Plan menjawabnya dengan pengembangan berbasis spesifikasi: rencana yang tahan lama, tugas atomik, dan gerbang verifikasi yang harus dilalui agen. "Selesai" berhenti menjadi perasaan — menjadi bukti yang dapat diverifikasi dan ditinjau.

Dan karena konteks adalah sumber daya paling langka bagi agen Anda, harness dirancang untuk menjaga beban instruksinya sendiri tetap kecil dan dapat diaudit: instruksi dimuat progresif, verifikasi hanya menyentuh yang berubah, dan setiap tugas belajar secara lokal. Beban per alur diukur dalam byte dan dipublikasikan pada setiap rilis — rilis terbaru memangkas alur eksekusi 45,7% dan alur lanjut 67,5%. Rencana itu sendiri berskala dengan cara yang sama: rencana Lite untuk perbaikan berbatas, rencana Full untuk pekerjaan yang berlangsung berjam-jam — format selalu mengikuti cakupan pekerjaan, bukan sebaliknya.

Metode · Babak I

Anda yang memutuskan arti selesai dan di mana batasnya. Rencana membawa niat Anda; agen yang menghabiskan waktu — tanpa pengawasan terus-menerus, tanpa koreksi setiap dua puluh menit.

Baca metodologi →

Metode · Babak II

Tugas panjang mengisi konteks model mana pun. Detail hilang dan agen menyimpang. Rencana tertulis — tugas atomik, gerbang verifikasi, status yang dapat dilanjutkan — adalah tempat kembali setiap putaran.

Lihat loop inti →

Metode · Babak III

Setiap tugas menyebutkan kriteria penerimaan dan pemeriksaan yang harus lulus. Agen tidak bisa merasa selesai — harus lulus, atau tugas tetap terbuka.

Baca spesifikasi →

Metode · Babak IV

Konteks, alat, pagar pengaman, dan status tinggal di repositori Anda sebagai berkas sederhana yang dapat dibaca agen mana pun. Tanpa lock-in, tanpa otak eksternal — bertahan melewati reset konteks.

Lihat hasil onboarding →

Metode · Babak V

Konteks adalah sumber daya paling langka bagi agen Anda. Harness memuat progresif, memvalidasi yang berubah, dan belajar per tugas — beban instruksi setiap alur terukur dan dipublikasikan, rilis demi rilis.

Baca metodologi →

Onboarding berbasis penalaran

Arahkan ke repositori mana pun. Ia bernalar — bukan menyalin-tempel.

Alur onboarding memeriksa bahasa, framework, package manager, dan perintah validasi yang sebenarnya ada di repositori Anda, lalu menghasilkan artefak yang disesuaikan dengan repositori tersebut. Hasil generik dianggap sebagai kegagalan.

  1. 01

    Bernalar tentang stack dan arketipe Anda

    Membaca manifes, tata letak folder, dan CI untuk menyimpulkan perintah test, lint, dan build yang sebenarnya, lalu mengklasifikasikan repositori sebagai repo individual atau orchestrator hub.

  2. 02

    Menghasilkan AGENTS.md, docs/, dan dokumentasi per modul

    AGENTS.md yang dipikirkan matang, hierarki docs/ yang terkategori, serta README dan docs/ di dalam setiap modul utama — diisi dengan perintah nyata repositori Anda, bukan placeholder.

  3. 03

    Menyiapkan .agents/ dengan symlink .claude dan .cursor ke .agents

    Direktori .agents/ lintas agent (skills, agents, commands) dan symlink .claude dan .cursor ke .agents, sehingga setiap alat membaca satu sumber kebenaran.

  4. 04

    Memasang skill DWP dan menyiapkan .dwp/

    Menyambungkan skill Deep Work Plan dan membuat folder .dwp/ yang di-gitignore untuk rencana, memasang review lokal AI Diff Reviewer yang wajib, lalu secara opsional menambahkan addon opt-in seperti dukungan devcontainer.

Apa yang terjadi saat Anda menjalankannya

Satu instruksi. Repositori melakukan sisanya.

Anda tidak memilih metode pemasangan atau menyalin template. Anda menyerahkan satu baris kepada agent; ia memasang skill — mesin yang dapat dipakai ulang — dan menyesuaikan repositori Anda dengannya.

  1. 01

    Agent Anda membuka /init.md

    Ia membaca prompt onboarding di deepworkplan.com/init.md beserta metodologi, spesifikasi, dan kit yang ditautkannya — standar yang akan diadopsinya.

  2. 02

    Ia memasang skill Deep Work Plan

    Skill adalah mesinnya — sama di setiap repositori. Satu perintah menarik router dan sub-skill-nya (create, execute, refine, resume, status, verify, onboard, author, upgrade) untuk Claude Code, Cursor, Codex, Gemini, dan Copilot.

  3. 03

    Ia menyesuaikan repositori Anda

    Dengan bernalar tentang stack nyata Anda — tidak pernah menyalin-tempel — ia menulis AGENTS.md, pohon docs/ yang terkategori, README per modul, kit .agents/ yang dipikirkan matang, dan .dwp/ yang di-gitignore. Repositori Anda menjadi harness.

  4. 04

    Anda merencanakan dan mengeksekusi

    Hasilkan Deep Work Plan jangka panjang untuk tugas apa pun dan jalankan langkah demi langkah, dengan acceptance criteria yang eksplisit, validation gate, dan status yang dapat dilanjutkan — secara otonom, selama berjam-jam.

Skill dipasang secara identik di mana saja; yang disesuaikan adalah repositori Anda — AGENTS.md, docs, dan kit .agents/ yang dipikirkan matang dan dihasilkan untuk stack Anda. Pemisahan itulah yang menjadikan metodologi sebagai standar yang dapat dipakai ulang, bukan perancah sekali pakai.

Apa yang Anda dapatkan

Semua yang dibutuhkan agent Anda untuk bekerja secara otonom.

Satu eksekusi, di-commit secara atomik. Setiap keluaran berupa Markdown dan setiap perubahan dapat diaudit.

  • AGENTS.md di akar repositori

    Dipikirkan matang dari stack, perintah, dan struktur nyata repositori Anda — bukan template dengan placeholder. CLAUDE.md di-symlink ke AGENTS.md.

  • docs/ terkategori dan dokumentasi per modul

    Arsitektur, penyiapan, standar, dan pemecahan masalah — ditambah README dan docs/ di dalam setiap modul utama, dihasilkan dari basis kode Anda.

  • .agents/ dengan symlink .claude dan .cursor ke .agents

    Direktori .agents/ lintas agent (skills, agents, commands) dengan symlink .claude dan .cursor ke .agents sehingga setiap alat membaca satu sumber kebenaran.

  • Skill Deep Work Plan, terpasang

    create, execute, refine, resume, status, verify, onboard, author, dan upgrade — tersedia untuk agent Anda sebagai satu paket skill, tanpa salinan per repositori.

  • Konformansi yang dapat Anda periksa

    /dwp-verify menghasilkan laporan lulus/gagal yang objektif terhadap spesifikasi, sehingga "AI-first" diverifikasi, bukan sekadar diklaim — dan dapat diverifikasi ulang setelah setiap rencana.

  • Dua arketipe, tertangani

    Onboarding mengklasifikasikan repositori Anda sebagai repo individual (kasus umum) atau orchestrator hub yang mengoordinasikan rencana turunan lintas repositori.

  • Kit hidup yang ditumbuhkan repositori Anda

    Sub-skill author (skill-create, agent-create) memungkinkan repositori mengembangkan skill, agent, dan command-nya sendiri; addon perawatan opt-in seperti dependency-upgrade membantunya tetap mutakhir.

  • Git-native, dapat dilanjutkan, .dwp/

    Tanpa daemon dan tanpa status eksternal. Rencana tersimpan di folder .dwp/ yang di-gitignore, dan tugas apa pun dapat dilanjutkan hanya dari git — bahkan setelah konteks meluap.

Agent

Bekerja dengan agent yang sudah Anda pakai.

Satu metodologi, banyak adapter. Markdown tidak mengikat framework ke apa pun — setiap agent yang membaca Markdown dapat menjalankan Deep Work Plan.

Claude Code

Penuh

Implementasi referensi, dengan WebFetch native dan slash command.

Cursor

Penuh

Adapter penuh. Gunakan bundel offline jika WebFetch dibatasi.

OpenAI Codex

Penuh

Bundel offline disarankan; aturan dipasang di bawah .codex/.

GitHub Copilot

Penuh

Adapter penuh — command dwp-* berjalan melalui AGENTS.md dan prosedur #.

Gemini

Penuh

Membutuhkan Gemini 2.5 Pro atau lebih baru, dengan WebFetch native.

OpenCode

Penuh

Sumber terbuka. Membaca AGENTS.md secara native dan menjalankan dwp-* melalui command #.

Windsurf

Penuh

Aturan ditambah prosedur command # menjalankan loop Deep Work Plan secara penuh.

Cline

Penuh

Sumber terbuka. Aturan Markdown dan command # menjalankan setiap langkah dwp-*.

Antigravity

Penuh

Adapter penuh dengan permukaan command native.

Lihat semua agen →

Stack

Preset penalaran untuk stack yang penting.

Ini adalah alat bantu penalaran, bukan template. Onboarding membaca manifes nyata repositori Anda dan menyesuaikan per stack — tidak pernah menyalin preset secara buta. Monorepo memperoleh dokumentasi per 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 Modules · stdlib
  • Rust Cargo · 2021+
  • Generik Stack apa pun
Lihat semua preset →

Dua arketipe

Repositori individual, atau orchestrator hub.

Onboarding bercabang berdasarkan arketipe. Sebagian besar repositori adalah repo individual. Sebuah hub mengoordinasikan Deep Work Plan turunan lintas banyak repositori. Metodologi menangani keduanya sebagai warga kelas satu.

Kasus umum

Repositori individual

Satu basis kode dengan satu stack utama, perintah validasinya sendiri, dan dokumentasi per modul. Bawaan — onboarding mengasumsikannya kecuali repositori jelas merupakan sebuah hub.

Misalnya, sebuah Django API, aplikasi Vue, atau layanan TypeScript Lambda.

Koordinasi

Orchestrator hub

Sebuah repositori koordinasi yang mengatur pekerjaan lintas sub-repositori melalui manifes orchestrator, memunculkan rencana turunan yang masing-masing di-commit di repositorinya sendiri, ditambah aturan batas dan indeks navigasi.

Misalnya, sebuah hub yang mengoordinasikan lima repositori produk.

Metodologi versus alat

Lapisan yang berbeda. Saling melengkapi, bukan bersaing.

Deep Work Plan bukan scaffolder lain. Ia adalah lapisan metodologi di bawah alat spec-driven atau scaffolding mana pun, yang berfokus pada eksekusi otonom multijam.

Metodologi versus alat Deep Work Plan Alat scaffolding / spec
Fokus utama Eksekusi otonom multijam Pembuatan spec atau scaffold
Unit pekerjaan Sebuah Deep Work Plan (sesi yang dapat dilanjutkan) Sebuah dokumen spec atau scaffold
Model status Folder .dwp/ git-native, dapat dilanjutkan Sering eksternal atau di dalam IDE
Keterikatan agent Agnostik terhadap agent (Markdown dan Bash) Sering spesifik alat atau IDE
Pemulihan konteks Melanjutkan setelah konteks meluap Biasanya mengulang tugas dari awal
Lisensi MIT, metodologi dan kit terbuka Bervariasi

Asal mula

Dibangun oleh Dailybot — perusahaan di balik standup asinkron untuk tim terdistribusi. Secara internal kami memakai Deep Work Plan untuk membuat repositori produksi yang mencakup Django, Vue, TypeScript Lambda, dan Astro dapat dikemudikan agent. Setelah berbulan-bulan penggunaan produksi, kami merilis metodologinya sebagai sumber terbuka di bawah lisensi MIT.

— Tim teknik Dailybot
Pelajari tentang Dailybot

Jadikan repositori Anda AI-first

Berikan deep work kepada agent Anda.

Serahkan satu baris kepada agent Anda — arahkan ke /init.md — dan ia menjadikan repositori Anda AI-first: memasang skill, bernalar tentang stack Anda, dan meng-commit hierarki AGENTS.md yang lengkap. Dari sana Anda membuat dan mengeksekusi Deep Work Plan yang berjalan otonom selama berjam-jam.

Buka prompt /init Baca metodologinya
Untuk agent & pengembang

Berlisensi MIT · tanpa telemetri · keluaran ke folder .dwp/ yang di-gitignore.