Skip to content

Otwarta metodyka · MIT · Niezależna od agenta

Modele mają znaczenie. Kontekst znaczy więcej.

Deep Work Plan zamienia dowolne repozytorium w uporządkowane środowisko — kontekst, zabezpieczenia i trwały plan — w którym każdy agent kodujący działa precyzyjnie i kończy długodystansową pracę.

Przekaż to swojemu agentowi

Przeczytaj i wykonaj instrukcje na https://deepworkplan.com/init.md, aby uczynić to repozytorium AI-first.

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

Zobacz pełny prompt /init Przeczytaj metodykę Przeczytaj specyfikację →

Problem i odpowiedź

Agenci kodujący AI są wyjątkowo skuteczni w krótkich zrywach. W długodystansowej pracy — migracji, nowym podsystemie, refaktoryzacji obejmującej dziesiątki plików — dryfują: kontekst się zapełnia, decyzje zostają zapomniane, a wielogodzinne zadania porzucone w połowie.

Deep Work Plan odpowiada na to za pomocą spec-driven development: plan jest trwałym źródłem prawdy, a agenci pracują w odniesieniu do jawnych kryteriów akceptacji i bramek walidacyjnych. Dryf maleje, praca pozostaje weryfikowalna, a każdy agent może wznowić ją między sesjami.

To także harness engineering w przenośnej formie. Harness agenta to rusztowanie wokół modelu — kontekst, narzędzia, pętla sterująca, zabezpieczenia, wznawialny stan — które czyni go niezawodnym. Deep Work Plan instaluje ten harness w samym repozytorium (AGENTS.md, dokumentacja, katalog skilli .agents/, skill DWP), dzięki czemu dowolny agent może pilotować dowolne repo. Powstał w Dailybot, sprawdzony w boju przez wiele miesięcy i udostępniony jako DailybotHQ/deepworkplan-skill.

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 dowiązaniem .claude do .agents

    Międzyagentowy katalog .agents/ (skille, agenci, polecenia) oraz dowiązanie symboliczne .claude 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 i szkice, 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) 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 dowiązaniem .claude do .agents

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

  • Zainstalowany skill Deep Work Plan

    create, execute, refine, resume, status, verify, onboard i author — 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 i szkice 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

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