Skip to content
Deep Work Plan jest dziś na Product Hunt Zagłosuj

Otwarta metodyka · MIT · Niezależna od agenta

Modele mają znaczenie. Kontekst znaczy więcej.

Deep Work Plan przekształca każde repozytorium w ustrukturyzowane środowisko — kontekst, zabezpieczenia i trwały plan — w którym każdy agent kodowania pracuje precyzyjnie i wydajnie oraz kończy pracę długoterminową.

Skopiuj do swojego agenta https://deepworkplan.com/init.md

Skopiuj prompt init.md i wklej go do swojego agenta kodowania — Claude Code, Cursor, Codex lub innego — aby uczynić dowolne repozytorium AI-first.

Deep Work Plan to spec-driven development, w którym samo repozytorium staje się harness (rusztowaniem agenta).

Zobacz, jak to działa Przeczytaj metodykę Przeczytaj specyfikację →
Latarnia morska na skalistym brzegu rzuca pojedynczy snop światła prowadzący niewielki statek — rycina przywołująca repozytorium jako stabilny harness, który prowadzi każdego agenta.
Dyptyk: z jednej strony statek dryfujący we mgle wśród skał, z drugiej ten sam statek pewnie na wykreowanym kursie ku latarni portu.

Problem i odpowiedź

W krótkich seriach agenci kodowania są imponujący. Powierz im długą misję — migrację, nowy podsystem, refaktoryzację dziesiątek plików — a zaczną dryfować: kontekst się zapełnia, wcześniejsze decyzje blakną, a wielogodzinna praca zatrzymuje się w połowie.

Deep Work Plan odpowiada programowaniem sterowanym specyfikacją: trwały plan, zadania atomowe i bramki walidacyjne, które agent musi przejść. „Skończone” przestaje być odczuciem — staje się dowodem: zweryfikowanym i możliwym do przejrzenia.

A ponieważ kontekst to najrzadszy zasób Twojego agenta, harness zaprojektowano tak, aby jego własne obciążenie instrukcjami było małe i audytowalne: instrukcje ładują się progresywnie, walidacja dotyka tylko zmian, a każde zadanie uczy się lokalnie. Obciążenie każdego przepływu jest mierzone w bajtach i publikowane przy każdym wydaniu — ostatnie wydanie zmniejszyło przepływ execute o 45,7%, a przepływ resume o 67,5%. Sam plan skaluje się w ten sam sposób: plan Lite dla ograniczonej poprawki, plan Full dla pracy rozciągniętej na godziny — format zawsze podąża za zakresem pracy, nigdy odwrotnie.

Metoda · Akt I

To Ty decydujesz, co znaczy „skończone” i gdzie biegną granice. Plan niesie Twoją intencję; agenci odpracowują godziny — bez ciągłego nadzorowania i poprawek co dwadzieścia minut.

Przeczytaj metodologię →

Metoda · Akt II

Długie zadania zapełniają kontekst każdego modelu. Szczegóły znikają i agent dryfuje. Napisany plan — zadania atomowe, bramy walidacji, wznawialny stan — to punkt, do którego wraca z okrążenia na okrążenie.

Zobacz pętlę główną →

Metoda · Akt III

Każde zadanie nazywa swoje kryteria akceptacji i testy, które muszą przejść. Agent nie może czuć się skończony — musi przejść, albo zadanie pozostaje otwarte.

Przeczytaj specyfikację →

Metoda · Akt IV

Kontekst, narzędzia, zabezpieczenia i stan mieszkają w Twoim repozytorium jako zwykłe pliki, które może przeczytać każdy agent. Bez lock-inu, bez zewnętrznego mózgu — przetrwa resetowanie kontekstu.

Zobacz, co tworzy onboarding →

Metoda · Akt V

Kontekst to najrzadszy zasób Twojego agenta. Harness ładuje się progresywnie, waliduje tylko zmiany i uczy się zadanie po zadaniu — obciążenie instrukcjami każdego przepływu jest mierzone i publikowane, wydanie po wydaniu.

Przeczytaj metodologię →

Onboarding oparty na rozumowaniu

Skieruj go na dowolne repozytorium. Rozumuje — nie kopiuje na ślepo.

Proces onboardingu analizuje rzeczywiste języki, frameworki, menedżer pakietów i polecenia walidacyjne Twojego repozytorium, a następnie generuje artefakty dostosowane do tego repozytorium. Ogólnikowy szablon traktowany jest jak porażka.

  1. 01

    Rozumuje o Twoim stosie technologicznym i archetypie

    Czyta manifesty, układ katalogów i CI, by wywnioskować rzeczywiste polecenia testów, lintowania i budowania, a następnie klasyfikuje repozytorium jako pojedyncze repo lub hub orkiestratora.

  2. 02

    Generuje AGENTS.md, docs/ oraz dokumentację per moduł

    Przemyślany AGENTS.md, skategoryzowana hierarchia docs/ oraz README i docs/ wewnątrz każdego głównego modułu — wypełnione rzeczywistymi poleceniami Twojego repozytorium, nie placeholderami.

  3. 03

    Tworzy .agents/ wraz z dowiązaniami .claude i .cursor do .agents

    Międzyagentowy katalog .agents/ (skille, agenci, polecenia) oraz dowiązania symboliczne .claude i .cursor do .agents, lustrzane CLAUDE.md względem AGENTS.md, tak aby każde narzędzie czytało jedno źródło prawdy.

  4. 04

    Instaluje skill DWP i tworzy .dwp/

    Podłącza skill Deep Work Plan i tworzy ignorowany przez git katalog .dwp/ na plany, instaluje wymaganą lokalną recenzję AI Diff Reviewer, a następnie opcjonalnie dokłada dobrowolne dodatki, takie jak wsparcie devcontainer.

Co się dzieje, gdy to uruchomisz

Jedna instrukcja. Resztę robi repozytorium.

Nie wybierasz metody instalacji ani nie kopiujesz szablonu. Przekazujesz agentowi jedną linijkę; on instaluje skill — wielokrotnego użytku silnik — i dostosowuje do niego Twoje repozytorium.

  1. 01

    Twój agent otwiera /init.md

    Czyta prompt onboardingowy pod deepworkplan.com/init.md oraz metodykę, specyfikację i zestaw narzędzi, do których prowadzą odnośniki — standard, który właśnie przyjmuje.

  2. 02

    Instaluje skill Deep Work Plan

    Skill jest silnikiem — takim samym w każdym repozytorium. Jedno polecenie pobiera router i jego sub-skille (create, execute, refine, resume, status, verify, onboard, author, upgrade) dla Claude Code, Cursor, Codex, Gemini i Copilot.

  3. 03

    Dostosowuje Twoje repozytorium

    Rozumując o Twoim rzeczywistym stosie technologicznym — nigdy nie kopiując na ślepo — tworzy AGENTS.md, skategoryzowane drzewo docs/, pliki README per moduł, przemyślany zestaw .agents/ oraz ignorowany przez git .dwp/. Twoje repozytorium staje się harness.

  4. 04

    Planujesz i realizujesz

    Generuj długodystansowe Deep Work Plans dla dowolnego zadania i realizuj je krok po kroku, z jawnymi kryteriami akceptacji, bramkami walidacyjnymi i wznawialnym stanem — autonomicznie, godzinami.

Skill instalowany jest wszędzie identycznie; dostosowywane jest Twoje repozytorium — AGENTS.md, dokumentacja i przemyślany zestaw .agents/ wygenerowane dla Twojego stosu technologicznego. Ten podział sprawia, że metodyka jest standardem wielokrotnego użytku, a nie jednorazowym rusztowaniem.

Co otrzymujesz

Wszystko, czego Twój agent potrzebuje, by pracować autonomicznie.

Jedno uruchomienie, zatwierdzone atomowo. Każdy efekt to Markdown, a każda zmiana podlega audytowi.

  • AGENTS.md w głównym katalogu repozytorium

    Przemyślany na podstawie rzeczywistego stosu technologicznego, poleceń i struktury Twojego repozytorium — nie szablon z placeholderami. CLAUDE.md jest dowiązany symbolicznie do AGENTS.md.

  • Skategoryzowane docs/ oraz dokumentacja per moduł

    Architektura, konfiguracja, standardy i rozwiązywanie problemów — plus README i docs/ wewnątrz każdego głównego modułu, wygenerowane z Twojej bazy kodu.

  • .agents/ z dowiązaniami .claude i .cursor do .agents

    Międzyagentowy katalog .agents/ (skille, agenci, polecenia) z dowiązaniami .claude i .cursor do .agents, dzięki czemu każde narzędzie czyta jedno źródło prawdy.

  • Zainstalowany skill Deep Work Plan

    create, execute, refine, resume, status, verify, onboard, author i upgrade — dostępne dla Twojego agenta jako jeden pakiet skilli, bez kopii per repozytorium.

  • Zgodność, którą możesz sprawdzić

    /dwp-verify tworzy obiektywny raport zaliczenia/niezaliczenia względem specyfikacji, dzięki czemu „AI-first” jest zweryfikowane, a nie deklarowane — i możliwe do ponownej weryfikacji po każdym planie.

  • Dwa archetypy, obsłużone

    Onboarding klasyfikuje Twoje repozytorium jako pojedyncze repo (przypadek typowy) lub hub orkiestratora, który koordynuje plany potomne pomiędzy repozytoriami.

  • Żywy zestaw, który rozwija Twoje repozytorium

    Sub-skill author (skill-create, agent-create) pozwala repozytorium rozwijać własne skille, agentów i polecenia; dobrowolne dodatki utrzymaniowe, takie jak dependency-upgrade, pomagają mu utrzymywać aktualność.

  • Natywny dla git, wznawialny, .dwp/

    Bez demona i bez zewnętrznego stanu. Plany trafiają do ignorowanego przez git katalogu .dwp/, a każde zadanie wznawia się z samego git — nawet po przepełnieniu kontekstu.

Agenci

Działa z agentem, którego już używasz.

Jedna metodyka, wiele adapterów. Markdown nie wiąże frameworka z niczym — każdy agent, który czyta Markdown, może uruchomić Deep Work Plan.

Claude Code

Pełne

Implementacja referencyjna, z natywnym WebFetch i poleceniami slash.

Cursor

Pełne

Pełny adapter. Użyj pakietu offline, jeśli WebFetch jest zablokowany.

OpenAI Codex

Pełne

Zalecany pakiet offline; reguły instalowane w .codex/.

GitHub Copilot

Pełne

Pełny adapter — komendy dwp-* działają przez AGENTS.md i procedury #.

Gemini

Pełne

Wymaga Gemini 2.5 Pro lub nowszego, z natywnym WebFetch.

OpenCode

Pełne

Open source. Natywnie odczytuje AGENTS.md i uruchamia dwp-* przez komendy #.

Windsurf

Pełne

Reguły i procedury komend # napędzają pełną pętlę Deep Work Plan.

Cline

Pełne

Open source. Reguły Markdown i komendy # wykonują każdy krok dwp-*.

Antigravity

Pełne

Pełny adapter z natywną warstwą poleceń.

Zobacz wszystkich agentów →

Stosy technologiczne

Presety rozumowania dla stosów, które mają znaczenie.

To pomoce w rozumowaniu, nie szablony. Onboarding czyta rzeczywiste manifesty Twojego repozytorium i dostosowuje się do stosu — nigdy nie kopiuje presetu na ślepo. Monorepozytoria otrzymują dokumentację per moduł.

  • 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 Dowolny stos
Zobacz wszystkie presety →

Dwa archetypy

Pojedyncze repozytorium albo hub orkiestratora.

Onboarding rozwidla się na archetypie. Większość repozytoriów to pojedyncze repo. Hub koordynuje potomne Deep Work Plans pomiędzy wieloma repozytoriami. Metodyka traktuje oba jako pełnoprawne.

Przypadek typowy

Pojedyncze repozytorium

Pojedyncza baza kodu z jednym głównym stosem technologicznym, własnymi poleceniami walidacyjnymi i dokumentacją per moduł. Domyślny wybór — onboarding go zakłada, o ile repozytorium nie jest wyraźnie hubem.

Na przykład API w Django, aplikacja Vue lub usługa TypeScript Lambda.

Koordynacja

Hub orkiestratora

Repozytorium koordynujące, które orkiestruje pracę pomiędzy podrepozytoriami za pomocą manifestu orkiestratora, uruchamiając plany potomne — każdy zatwierdzający we własnym repozytorium — wraz z regułami granic i indeksem nawigacyjnym.

Na przykład hub koordynujący pięć repozytoriów produktowych.

Metodyka kontra narzędzie

Inna warstwa. Uzupełniająca, nie konkurująca.

Deep Work Plan to nie kolejny generator rusztowań. To warstwa metodyki pod dowolnym narzędziem spec-driven lub generującym rusztowanie, skupiona na wielogodzinnych, autonomicznych przebiegach.

Metodyka kontra narzędzie Deep Work Plan Narzędzia do rusztowań / specyfikacji
Główne skupienie Wielogodzinna realizacja autonomiczna Generowanie specyfikacji lub rusztowania
Jednostka pracy Deep Work Plan (wznawialna sesja) Dokument specyfikacji lub rusztowanie
Model stanu Natywny dla git katalog .dwp/, wznawialny Często zewnętrzny lub w IDE
Powiązanie z agentem Niezależny od agenta (Markdown i Bash) Często zależny od narzędzia lub IDE
Odzyskiwanie kontekstu Wznawia po przepełnieniu kontekstu Zwykle uruchamia zadanie od nowa
Licencja MIT, otwarta metodyka i zestaw Różnie

Pochodzenie

Stworzony przez Dailybot — firmę stojącą za asynchronicznymi standupami dla rozproszonych zespołów. Wewnętrznie używaliśmy Deep Work Plans, by uczynić produkcyjne repozytoria obejmujące Django, Vue, TypeScript Lambda i Astro pilotowalnymi przez agentów. Po miesiącach użycia produkcyjnego udostępniliśmy metodykę jako open source na licencji MIT.

— Zespół inżynieryjny Dailybot
Poznaj Dailybot

Uczyń swoje repozytorium AI-first

Daj swoim agentom głęboką pracę.

Przekaż agentowi jedną linijkę — skieruj go na /init.md — a uczyni Twoje repozytorium AI-first: zainstaluje skill, przeprowadzi rozumowanie o Twoim stosie technologicznym i zatwierdzi kompletną hierarchię AGENTS.md. Stamtąd tworzysz i realizujesz Deep Work Plans, które działają autonomicznie godzinami.

Otwórz prompt /init Przeczytaj metodykę
Dla agentów i programistów

Na licencji MIT · zero telemetrii · efekty trafiają do ignorowanego przez git katalogu .dwp/.