Skip to content
Deep Work Plan è su Product Hunt oggi Vota ora

Metodologia aperta · MIT · Indipendente dall’agente

I modelli contano. Il contesto conta di più.

Deep Work Plan trasforma qualsiasi repository in un ambiente strutturato — contesto, guardrail e un piano duraturo — dove qualsiasi agente di coding esegue con precisione ed efficienza e porta a termine il lavoro di lungo corso.

Copia nel Suo agente https://deepworkplan.com/init.md

Copi il prompt di init.md e lo incolli nel Suo agente di coding — Claude Code, Cursor, Codex o qualsiasi altro — per rendere qualsiasi repository AI-first.

Deep Work Plan è spec-driven development in cui il repository stesso diventa la harness.

Scopri come funziona Leggi la metodologia Leggi la specifica →
Un faro su una costa rocciosa proietta un unico fascio che guida una piccola imbarcazione — un’incisione che evoca il repository come una harness stabile che guida qualsiasi agente.
Un dittico inciso: da una parte una nave alla deriva nella nebbia vicino agli scogli, dall’altra la stessa nave salda su una rotta tracciata verso il faro del porto.

Il problema e la risposta

Nei burst brevi, gli agenti di coding sono notevoli. Affidategli una missione di lungo corso — una migrazione, un nuovo sottosistema, un refactoring su decine di file — e derivano: il contesto si riempie, le decisioni precedenti sfumano e ore di lavoro si fermano a metà.

Deep Work Plan risponde con lo sviluppo guidato dalla specifica: un piano duraturo, task atomici e validation gate che l’agente deve superare. “Fatto” smette di essere una sensazione — diventa evidenza verificabile e recensibile.

E poiché il contesto è la risorsa più scarsa del vostro agente, l’harness è progettato per mantenere piccola e verificabile la propria carga di istruzioni: le istruzioni si caricano progressivamente, la validazione tocca solo ciò che è cambiato e ogni task impara in loco. Il carico di ogni flusso è misurato in byte e pubblicato a ogni rilascio — l’ultimo rilascio ha ridotto il flusso di esecuzione del 45,7% e il flusso di ripresa del 67,5%. Anche il piano stesso scala allo stesso modo: un piano Lite per una correzione delimitata, un piano Full per il lavoro che si estende su ore — il formato segue sempre l’ampiezza del lavoro, mai il contrario.

Il metodo · Atto I

Sei tu a decidere cosa significa “fatto” e dove corrono i confini. Il piano porta la tua intenzione; gli agenti mettono le ore — senza supervisione continua, senza correzioni ogni venti minuti.

Leggi la metodologia →

Il metodo · Atto II

I task lunghi riempiono il contesto di qualsiasi modello. I dettagli sfumano e l’agente deriva. Un piano scritto — task atomici, validation gate, stato ripristinabile — è ciò a cui torna, giro dopo giro.

Vedi il ciclo principale →

Il metodo · Atto III

Ogni task nomina i propri criteri di accettazione e le verifiche che devono passare. L’agente non può sentirsi finito — deve passare, o il task resta aperto.

Leggi la specifica →

Il metodo · Atto IV

Contesto, strumenti, guardrail e stato vivono nel tuo repository come semplici file che qualsiasi agente può leggere. Niente lock-in, niente cervello esterno — sopravvive ai reset del contesto.

Vedi cosa genera l’onboarding →

Il metodo · Atto V

Il contesto è la risorsa più scarsa del vostro agente. L’harness si carica progressivamente, valida solo ciò che è cambiato e impara task per task — con il carico di istruzioni di ogni flusso misurato e pubblicato, rilascio dopo rilascio.

Leggi la metodologia →

Onboarding basato sul ragionamento

Lo punti su qualsiasi repository. Ragiona — non copia e incolla.

Il flusso di onboarding esamina i linguaggi, i framework, il package manager e i comandi di validazione reali del Suo repository, poi genera artefatti adattati a quel repository. Uno stub generico è considerato un fallimento.

  1. 01

    Ragiona sul Suo stack e archetipo

    Legge i manifest, la struttura delle cartelle e la CI per dedurre i comandi reali di test, lint e build, poi classifica il repository come repo individuale o hub orchestratore.

  2. 02

    Genera AGENTS.md, docs/ e documentazione per modulo

    Un AGENTS.md ragionato, una gerarchia docs/ categorizzata e un README più docs/ all’interno di ogni modulo principale — popolati con i comandi reali del Suo repository, non con segnaposto.

  3. 03

    Predispone .agents/ con i symlink da .claude e .cursor a .agents

    Una directory .agents/ multi-agente (skill, agenti, comandi) e i symlink da .claude e .cursor a .agents, che riflette CLAUDE.md su AGENTS.md, così ogni strumento legge un’unica fonte di verità.

  4. 04

    Installa la skill DWP e predispone .dwp/

    Collega la skill Deep Work Plan e crea la cartella .dwp/ esclusa da git per piani, installa la revisione locale obbligatoria di AI Diff Reviewer, poi aggiunge facoltativamente addon opt-in come il supporto devcontainer.

Cosa succede quando lo esegui

Un’unica istruzione. Al resto pensa il repository.

Non sceglie un metodo di installazione né copia un template. Consegna al Suo agente una sola riga; questo installa la skill — il motore riutilizzabile — e vi adatta il Suo repository.

  1. 01

    Il Suo agente apre /init.md

    Legge il prompt di onboarding su deepworkplan.com/init.md e la metodologia, la specifica e il kit a cui rimanda — lo standard che sta per adottare.

  2. 02

    Installa la skill Deep Work Plan

    La skill è il motore — lo stesso in ogni repository. Un solo comando importa il router e le sue sub-skill (create, execute, refine, resume, status, verify, onboard, author, upgrade) per Claude Code, Cursor, Codex, Gemini e Copilot.

  3. 03

    Adatta il Suo repository

    Ragionando sul Suo stack reale — senza mai copiare e incollare — scrive AGENTS.md, un albero docs/ categorizzato, README per modulo, un kit .agents/ ragionato e una .dwp/ esclusa da git. Il Suo repository diventa la harness.

  4. 04

    Pianifica ed esegue

    Genera Deep Work Plan a lungo termine per qualsiasi attività e li esegue passo dopo passo, con criteri di accettazione espliciti, validation gate e stato ripristinabile — in autonomia, per ore.

La skill viene installata in modo identico ovunque; ciò che si adatta è il Suo repository — l’AGENTS.md, i docs e il kit .agents/ ragionato generati per il Suo stack. È questa separazione a rendere la metodologia uno standard riutilizzabile anziché un’impalcatura usa e getta.

Cosa ottieni

Tutto ciò che serve al Suo agente per lavorare in autonomia.

Una singola esecuzione, sottoposta a commit in modo atomico. Ogni output è in Markdown e ogni modifica è verificabile.

  • AGENTS.md nella radice del repository

    Ragionato a partire dallo stack, dai comandi e dalla struttura reali del Suo repository — non un template con segnaposto. CLAUDE.md è collegato tramite symlink ad AGENTS.md.

  • docs/ categorizzati e documentazione per modulo

    Architettura, setup, standard e troubleshooting — più un README e docs/ all’interno di ogni modulo principale, generati dal Suo codebase.

  • .agents/ con i symlink da .claude e .cursor a .agents

    Una directory .agents/ multi-agente (skill, agenti, comandi) con i symlink da .claude e .cursor a .agents, così ogni strumento legge un’unica fonte di verità.

  • La skill Deep Work Plan, installata

    create, execute, refine, resume, status, verify, onboard, author e upgrade — a disposizione del Suo agente come un unico pacchetto di skill, senza copie per repository.

  • Una conformità verificabile

    /dwp-verify produce un report oggettivo di esito positivo/negativo rispetto alla specifica, così «AI-first» è verificato, non dichiarato — e ri-verificabile dopo ogni piano.

  • Due archetipi, gestiti

    L’onboarding classifica il Suo repository come repo individuale (il caso più comune) o come hub orchestratore che coordina piani figli su più repository.

  • Un kit vivo che il Suo repository fa crescere

    La sub-skill author (skill-create, agent-create) consente al repository di evolvere le proprie skill, agenti e comandi; gli addon di manutenzione opt-in come dependency-upgrade lo aiutano a restare aggiornato.

  • Git-native, ripristinabile, .dwp/

    Nessun daemon e nessuno stato esterno. I piani finiscono in una cartella .dwp/ esclusa da git e qualsiasi attività riprende dal solo git — anche dopo un overflow del contesto.

Agenti

Funziona con l’agente che già utilizza.

Una metodologia, molti adapter. Il Markdown non accoppia il framework a nulla — ogni agente che legge Markdown può eseguire un Deep Work Plan.

Claude Code

Completo

Implementazione di riferimento, con WebFetch nativo e slash command.

Cursor

Completo

Adapter completo. Usi il bundle offline se WebFetch è bloccato.

OpenAI Codex

Completo

Bundle offline consigliato; regole installate in .codex/.

GitHub Copilot

Completo

Adapter completo — i comandi dwp-* girano tramite AGENTS.md e le procedure #.

Gemini

Completo

Richiede Gemini 2.5 Pro o versione successiva, con WebFetch nativo.

OpenCode

Completo

Open source. Legge AGENTS.md in modo nativo ed esegue dwp-* tramite comandi #.

Windsurf

Completo

Le regole e le procedure dei comandi # guidano l'intero ciclo Deep Work Plan.

Cline

Completo

Open source. Le regole Markdown e i comandi # eseguono ogni passo dwp-*.

Antigravity

Completo

Adapter completo con una superficie di comandi nativa.

Vedi tutti gli agenti →

Stack

Preset di ragionamento per gli stack che contano.

Sono ausili al ragionamento, non template. L’onboarding legge i manifest reali del Suo repository e si adatta a ogni stack — non copia mai un preset alla cieca. I monorepo ottengono documentazione per modulo.

  • 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+
  • Generic Qualsiasi stack
Vedi tutti i preset →

Due archetipi

Repository individuale o hub orchestratore.

L’onboarding si dirama in base all’archetipo. La maggior parte dei repository sono repo individuali. Un hub coordina Deep Work Plan figli su molti repository. La metodologia gestisce entrambi come cittadini di prima classe.

Caso comune

Repository individuale

Un singolo codebase con uno stack primario, i propri comandi di validazione e documentazione per modulo. È l’impostazione predefinita — l’onboarding la assume a meno che il repository non sia chiaramente un hub.

Per esempio, un’API Django, un’app Vue o un servizio TypeScript Lambda.

Coordinamento

Hub orchestratore

Un repository di coordinamento che orchestra il lavoro su più sotto-repository tramite un manifest orchestratore, generando piani figli che eseguono il commit ciascuno nel proprio repository, con regole di confine e un indice di navigazione.

Per esempio, un hub che coordina cinque repository di prodotto.

Metodologia contro strumento

Un livello diverso. Complementare, non concorrente.

Deep Work Plan non è l’ennesimo scaffolder. È il livello di metodologia che sta sotto qualsiasi strumento spec-driven o di scaffolding, focalizzato su esecuzioni autonome di più ore.

Metodologia contro strumento Deep Work Plan Strumenti di scaffolding / spec
Focus principale Esecuzione autonoma di più ore Generazione di spec o scaffold
Unità di lavoro Un Deep Work Plan (sessione ripristinabile) Un documento di spec o uno scaffold
Modello di stato Cartella .dwp/ git-native, ripristinabile Spesso esterno o nell’IDE
Accoppiamento con l’agente Indipendente dall’agente (Markdown e Bash) Spesso legato a uno strumento o IDE
Recupero del contesto Riprende dopo un overflow del contesto In genere riavvia l’attività
Licenza MIT, metodologia e kit aperti Variabile

Origine

Realizzato da Dailybot — l’azienda dietro gli standup asincroni per team distribuiti. Internamente abbiamo usato i Deep Work Plan per rendere pilotabili dagli agenti repository di produzione che spaziano tra Django, Vue, TypeScript Lambda e Astro. Dopo mesi di uso in produzione, abbiamo reso open source la metodologia sotto licenza MIT.

— Il team di ingegneria di Dailybot
Scopri Dailybot

Rendi il tuo repository AI-first

Dai ai Suoi agenti del deep work.

Consegni al Suo agente una sola riga — lo punti su /init.md — e renderà il Suo repository AI-first: installa la skill, ragiona sul Suo stack ed esegue il commit di una gerarchia AGENTS.md completa. Da lì crea ed esegue Deep Work Plan che girano in autonomia per ore.

Apri il prompt /init Leggi la metodologia
Per agenti e sviluppatori

Licenza MIT · zero telemetria · output in una cartella .dwp/ esclusa da git.