Skip to content

Metodologia aberta · MIT · Independente de agente

Os modelos importam. O contexto importa mais.

O Deep Work Plan transforma qualquer repositório em um ambiente estruturado — contexto, salvaguardas e um plano duradouro — onde qualquer agente de código executa com precisão e conclui trabalhos de longo prazo.

Entregue isto ao seu agente

Leia e siga as instruções em https://deepworkplan.com/init.md para tornar este repositório AI-first.

O Deep Work Plan é desenvolvimento orientado a especificação no qual o próprio repositório se torna o harness.

Ver o prompt completo do /init Leia a metodologia Leia a especificação →

O problema e a resposta

Os agentes de código de IA são notavelmente eficazes em surtos curtos. Em trabalhos de longo prazo — uma migração, um novo subsistema, uma refatoração que abrange dezenas de arquivos — eles derivam: o contexto se enche, as decisões são esquecidas e tarefas de várias horas são abandonadas no meio do caminho.

O Deep Work Plan responde com desenvolvimento orientado a especificação: o plano é a fonte de verdade duradoura e os agentes executam contra critérios de aceitação e validation gates explícitos. A deriva diminui, o trabalho permanece verificável e qualquer agente pode retomá-lo entre sessões.

É também engenharia de harness tornada portátil. Um harness de agente é o andaime ao redor de um modelo — contexto, ferramentas, loop de controle, salvaguardas, estado retomável — que o torna confiável. O Deep Work Plan instala esse harness no próprio repositório (AGENTS.md, docs, o diretório de skills .agents/, a skill DWP), para que qualquer agente possa pilotar qualquer repositório. Nascido na Dailybot, testado em produção por meses e lançado como o DailybotHQ/deepworkplan-skill.

Onboarding baseado em raciocínio

Aponte-o para qualquer repositório. Ele raciocina — não copia e cola.

O fluxo de onboarding inspeciona as linguagens, frameworks, gerenciador de pacotes e comandos de validação reais do seu repositório, e então gera artefatos adaptados a esse repositório. Um stub genérico é tratado como uma falha.

  1. 01

    Raciocina sobre sua stack e seu arquétipo

    Lê manifestos, a estrutura de pastas e o CI para inferir os comandos reais de teste, lint e build, e então classifica o repositório como um repositório individual ou um hub orquestrador.

  2. 02

    Gera AGENTS.md, docs/ e docs por módulo

    Um AGENTS.md fundamentado, uma hierarquia categorizada em docs/ e um README mais docs/ dentro de cada módulo principal — preenchidos com os comandos reais do seu repositório, não com placeholders.

  3. 03

    Estrutura o .agents/ com o symlink de .claude para .agents

    Um diretório .agents/ multiagente (skills, agents, commands) e o symlink de .claude para .agents, espelhando CLAUDE.md em AGENTS.md, para que cada ferramenta leia uma única fonte de verdade.

  4. 04

    Instala a skill DWP e estrutura o .dwp/

    Conecta a skill Deep Work Plan e cria a pasta .dwp/ ignorada pelo git para planos e rascunhos, e então, opcionalmente, adiciona addons opcionais como suporte a devcontainer.

O que acontece quando você o executa

Uma instrução. O repositório faz o resto.

Você não escolhe um método de instalação nem copia um template. Você entrega uma linha ao seu agente; ele instala a skill — o motor reutilizável — e adapta seu repositório a ela.

  1. 01

    Seu agente abre o /init.md

    Ele lê o prompt de onboarding em deepworkplan.com/init.md e a metodologia, a especificação e o kit aos quais ele se vincula — o padrão que está prestes a adotar.

  2. 02

    Ele instala a skill Deep Work Plan

    A skill é o motor — o mesmo em todos os repositórios. Um comando importa o roteador e suas sub-skills (create, execute, refine, resume, status, verify, onboard, author) para Claude Code, Cursor, Codex, Gemini e Copilot.

  3. 03

    Ele adapta seu repositório

    Raciocinando sobre sua stack real — nunca copiando e colando — ele escreve AGENTS.md, uma árvore categorizada de docs/, READMEs por módulo, um kit .agents/ fundamentado e um .dwp/ ignorado pelo git. Seu repositório se torna o harness.

  4. 04

    Você planeja e executa

    Gere Deep Work Plans de longo prazo para qualquer tarefa e execute-os passo a passo, com critérios de aceitação explícitos, validation gates e estado retomável — de forma autônoma, por horas.

A skill é instalada de forma idêntica em todos os lugares; o que é adaptado é o seu repositório — o AGENTS.md, os docs e o kit .agents/ fundamentado gerados para a sua stack. É essa separação que torna a metodologia um padrão reutilizável, e não um andaime pontual.

O que você obtém

Tudo o que seu agente precisa para trabalhar de forma autônoma.

Uma execução, comitada de forma atômica. Toda saída é Markdown e toda alteração é auditável.

  • AGENTS.md na raiz do repositório

    Fundamentado na stack, nos comandos e na estrutura reais do seu repositório — não um template com placeholders. CLAUDE.md tem symlink para AGENTS.md.

  • docs/ categorizado e docs por módulo

    Arquitetura, configuração, padrões e solução de problemas — além de um README e docs/ dentro de cada módulo principal, gerados a partir do seu código.

  • .agents/ com o symlink de .claude para .agents

    Um diretório .agents/ multiagente (skills, agents, commands) com o symlink de .claude para .agents, para que cada ferramenta leia uma única fonte de verdade.

  • A skill Deep Work Plan, instalada

    create, execute, refine, resume, status, verify, onboard e author — disponíveis ao seu agente como um único pacote de skills, sem cópia por repositório.

  • Conformidade que você pode verificar

    O /dwp-verify produz um relatório objetivo de aprovado/reprovado em relação à especificação, de modo que "AI-first" seja verificado, não afirmado — e reverificável após cada plano.

  • Dois arquétipos, tratados

    O onboarding classifica seu repositório como um repositório individual (o caso comum) ou um hub orquestrador que coordena planos filhos entre repositórios.

  • Um kit vivo que seu repositório faz crescer

    A sub-skill author (skill-create, agent-create) permite que o repositório desenvolva suas próprias skills, agents e commands; addons de manutenção opcionais, como dependency-upgrade, ajudam-no a se manter atualizado.

  • Nativo do git, retomável, .dwp/

    Sem daemon e sem estado externo. Planos e rascunhos ficam em uma pasta .dwp/ ignorada pelo git, e qualquer tarefa é retomada apenas a partir do git — mesmo após o contexto transbordar.

Agentes

Funciona com o agente que você já usa.

Uma metodologia, muitos adaptadores. O Markdown não acopla o framework a nada — todo agente que lê Markdown pode executar um Deep Work Plan.

Claude Code

Completo

Implementação de referência, com WebFetch nativo e slash commands.

Cursor

Completo

Adaptador completo. Use o bundle offline se o WebFetch estiver bloqueado.

OpenAI Codex

Completo

Bundle offline recomendado; regras instaladas em .codex/.

GitHub Copilot

Completo

Adaptador completo — os comandos dwp-* são executados via AGENTS.md e procedimentos #.

Gemini

Completo

Requer Gemini 2.5 Pro ou mais recente, com WebFetch nativo.

OpenCode

Completo

Código aberto. Lê AGENTS.md nativamente e executa dwp-* via comandos #.

Windsurf

Completo

Regras e procedimentos de comando # conduzem o loop completo do Deep Work Plan.

Cline

Completo

Código aberto. Regras em Markdown e comandos # executam cada etapa do dwp-*.

Antigravity

Completo

Adaptador completo com uma superfície de comandos nativa.

Ver todos os agentes →

Stacks

Presets de raciocínio para as stacks que importam.

Estes são auxiliares de raciocínio, não templates. O onboarding lê os manifestos reais do seu repositório e adapta-se por stack — nunca copia um preset às cegas. Monorepos recebem docs por módulo.

  • 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+
  • Genérico Qualquer stack
Ver todos os presets →

Dois arquétipos

Repositório individual ou hub orquestrador.

O onboarding se ramifica conforme o arquétipo. A maioria dos repositórios são repositórios individuais. Um hub coordena Deep Work Plans filhos entre muitos repositórios. A metodologia trata ambos como cidadãos de primeira classe.

Caso comum

Repositório individual

Uma única base de código com uma stack principal, seus próprios comandos de validação e docs por módulo. O padrão — o onboarding o assume, a menos que o repositório seja claramente um hub.

Por exemplo, uma API Django, um app Vue ou um serviço Lambda em TypeScript.

Coordenação

Hub orquestrador

Um repositório de coordenação que orquestra o trabalho entre sub-repositórios por meio de um manifesto de orquestração, criando planos filhos que cada um comita em seu próprio repositório, além de regras de fronteira e um índice de navegação.

Por exemplo, um hub que coordena cinco repositórios de produto.

Metodologia versus ferramenta

Uma camada diferente. Complementar, não concorrente.

O Deep Work Plan não é mais um scaffolder. É a camada de metodologia por baixo de qualquer ferramenta de especificação ou scaffolding, focada em execuções autônomas de várias horas.

Metodologia versus ferramenta Deep Work Plan Ferramentas de scaffolding / especificação
Foco principal Execução autônoma de várias horas Geração de especificação ou andaime
Unidade de trabalho Um Deep Work Plan (sessão retomável) Um documento de especificação ou um andaime
Modelo de estado Pasta .dwp/ nativa do git, retomável Frequentemente externo ou na IDE
Acoplamento ao agente Independente de agente (Markdown e Bash) Frequentemente específico de ferramenta ou IDE
Recuperação de contexto Retoma após transbordo de contexto Normalmente reinicia a tarefa
Licença MIT, metodologia e kit abertos Varia

Origem

Construído pela Dailybot — a empresa por trás dos standups assíncronos para equipes distribuídas. Internamente, usamos Deep Work Plans para tornar pilotáveis por agentes repositórios de produção que abrangem Django, Vue, TypeScript Lambda e Astro. Após meses de uso em produção, abrimos o código da metodologia sob a licença MIT.

— A equipe de engenharia da Dailybot
Conheça a Dailybot

Torne seu repositório AI-first

Dê deep work aos seus agentes.

Entregue uma linha ao seu agente — aponte-o para o /init.md — e ele torna seu repositório AI-first: instala a skill, raciocina sobre sua stack e comita uma hierarquia completa de AGENTS.md. A partir daí, você cria e executa Deep Work Plans que rodam de forma autônoma por horas.

Abrir o prompt do /init Leia a metodologia

Licenciado sob MIT · zero telemetria · saídas para uma pasta .dwp/ ignorada pelo git.