DWP v5: những lời hứa, giờ được đảm bảo

Hôm nay chúng tôi phát hành Deep Work Plan v5. Đây không phải là viết lại: đây là kết quả của nhiều tháng sử dụng thực tế — bao gồm một cuộc kiểm toán trực tiếp trên 108 kế hoạch thực — đã phơi bày, từng khoảng hở một, nơi lời hứa của phương pháp luận và hành vi thực của một agent có thể khác nhau. Tóm tắt trung thực của bản phát hành này: phương pháp luận đã từng hứa tất cả những điều này — giờ đây nó đảm bảo chúng. Trước v5, một agent đi theo tài liệu từng chữ vẫn có thể rơi vào các kịch bản thất bại thực; mỗi kịch bản như vậy, được nhận diện nhờ việc sử dụng và phản hồi đó, giờ đã được đóng lại và ghim bằng một kiểm thử có thể thực thi, chứ không phải được vá bằng thêm văn xuôi. Bộ hợp đồng của skill đã tăng từ 132 lên 258 kiểm thử trong chu kỳ này, và mỗi đảm bảo dưới đây đã được xác thực trực tiếp trên tag đã phát hành — cài vào một kho sạch và đưa qua chính các luồng của nó trước khi mục này được viết.

Một trình kiểm chứng không bao giờ tuyên bố thành công chưa được xác minh. Các kiểm tra tuân thủ trước đây xuống cấp trong im lặng: không có trình thông dịch đủ khả năng, chúng bỏ qua mọi bước xác minh mà vẫn in ra phán quyết tuân thủ, và chữ in đậm bên trong một trường có thể bị nhầm là trường bị thiếu. Giờ đây trình kiểm chứng kết thúc bằng phán quyết UNVERIFIED rõ ràng mỗi khi nó không thể xác minh thật sự. Một trình kiểm chứng không bao giờ báo cáo một thành công mà nó chưa kiểm tra — niềm tin vào các cổng validation là toàn bộ đề xuất, và một cổng có thể bỏ qua chính bước kiểm tra của mình thì phá vỡ chuỗi niềm tin đó.

Một hợp đồng phê duyệt duy nhất cho các kế hoạch Lite. Ba bề mặt từng trả lời ba cách khác nhau cho câu hỏi “khởi động kế hoạch này có phê duyệt phạm vi hiện tại của nó không?”, và một agent có thể rơi vào bế tắc hoặc chạy mà không có quyền đúng ở ranh giới nguy hiểm nhất. v5 định một hợp đồng duy nhất ở mọi nơi: một lệnh execute hoặc resume tường minh phê duyệt phạm vi ready hiện tại và ghi lại sự phê duyệt đó trước khi làm bất kỳ việc gì; một đề nghị đang chờ tự nó không cấp quyền cho điều gì; một lần thăng cấp bị gián đoạn được khôi phục trước khi bất kỳ công việc sản phẩm nào chạy.

Điều phối đa kho không thể gây hỏng. Biến môi trường của một hub điều phối trước đây rò rỉ xuống các kho con — một kho con có thể ghi trạng thái kế hoạch vào chính thư mục của hub. Các mẫu điều phối cũng in FAIL nhưng thoát với mã thành công, và một bước kiểm tra hoàn chỉnh chỉ grep một chuỗi trạng thái có thể đọc một tác vụ hoàn thành thành một kế hoạch hoàn thành. Giờ đây gốc của hub được lưu trước khi đi vào các kho con, mỗi kho con phân giải .dwp/ riêng của mình một cách cô lập, mỗi nhánh thất bại thoát với lỗi, tình trạng hoàn chỉnh được phân tích từ trạng thái tầng cao nhất của kế hoạch, và điểm vào devcontainer lan truyền lỗi sao chép trước khi xóa bất cứ thứ gì.

Một ma trận đồng ý duy nhất cho các addon. Addon nào cài mặc định, addon nào chỉ được đề nghị, và bài review nào là bắt buộc — các bề mặt trước đây trả lời khác nhau. v5 tuyên bố một ma trận: AI Diff Reviewer là bắt buộc cho review cục bộ, ghim vào một bản phát hành đã xác minh, với review trên CI là opt-in tường minh không bao giờ tự cài mình; addon design-system là một đề nghị bắt buộc khi phát hiện công việc UI nhưng chỉ cài khi được chấp nhận tường minh; addon dependency-upgrade đến như một delegator vô tác dụng gần như mặc định với khả năng hoàn tác theo ảnh chụp chính xác; dailybot chỉ báo cáo ở nơi được ủy quyền. Một diff trống không còn được tính là một bài review hoàn tất.

Cỗ máy thực sự cho các kế hoạch dài. Một cuộc kiểm toán 108 kế hoạch thực tế cho thấy công việc có thể song song hóa là phổ biến nhưng quyết định tuần tự hầu như không bao giờ được tuyên bố, và các cổng giai đoạn chỉ tồn tại như thực hành ứng biến. v5 khiến quyết định thực thi luôn được tuyên bố — tuần tự với lý do được ghi khi song song hóa không phù hợp — thêm Stage Gates tùy chọn cho các kế hoạch hai mươi tác vụ trở lên, và làm giàu Plan Variables với mức nghiêm ngặt, chuẩn bằng chứng và các hành động bị cấm. Tất cả những điều này tải tiến triển và không bao giờ đè nặng một kế hoạch Lite.

Context bắt buộc, một mục tiêu mỗi tác vụ. Các kế hoạch có thể trượt thành các danh sách tác vụ không ngữ cảnh, và một tác vụ có thể gói ba mục tiêu sau một cổng xanh duy nhất. v5 yêu cầu cặp Goal và Context ở cấp kế hoạch, một Context cho mỗi tác vụ — những gì một phiên mới cần để khởi động tác vụ đó một mình — trên mỗi bản ghi mới (các bản ghi đã hoàn thành giữ nguyên như đã viết), và biến một mục tiêu mỗi tác vụ thành quy tắc chuẩn mực với một bộ phận canh chống suy thoái.

Một đường nâng cấp an toàn. /dwp-upgrade là mới. Giai đoạn kiểm tra của nó chỉ đọc và không cài đặt gì; một lần nâng cấp chỉ bắt đầu từ sự chấp nhận tường minh, với các thích nghi cục bộ được so sánh và bộc lộ trước khi ghi đè bất cứ thứ gì; việc cài đặt nhắm vào một tag chính xác và tự xác minh; onboarding chạy lại như một init mới. Một lần nâng cấp không bao giờ động vào .dwp/ — không kế hoạch, tệp trạng thái, bản ghi cổng hay bằng chứng nào bị di chuyển, viết lại hoặc vô hiệu hóa.

Bằng chứng trung thực và đo lường được. Các tuyên bố hiệu suất giờ được đo lại trên ba baseline — v3.0.0, v4.0.3 và cây cuối cùng — với script đo lường được commit vào kho. Kết quả được báo cáo theo byte hệ thống tệp và không bao giờ chuyển đổi thành số token hay chi phí mà chúng tôi không thể đứng sau lưng; mọi tuyên bố không thể xác minh đều bị cách ly như vậy trong hồ sơ đánh giá.

Một hợp đồng có phiên bản, đã được công bố. Mỗi lời hứa ở trên được hậu thuẫn bởi dữ liệu mà các công cụ khác có thể đọc được, không chỉ bằng văn xuôi: các định dạng plan-manifest và plan-state giờ đây được đánh phiên bản theo dòng schema v5 — plan-manifest/v5.json và plan-state/v5.json — để một kế hoạch, một trình kiểm chứng, hoặc một công cụ bên thứ ba có thể kiểm tra sự tuân thủ đối chiếu với một hợp đồng đã công bố, máy có thể đọc được, thay vì một đoạn văn tài liệu. Không có gì trong dòng v5 thay đổi hình dạng so với v2: các kế hoạch hiện có tham chiếu đến schema v1 hoặc v2 vẫn hợp lệ và không bao giờ bị viết lại.

Deep Work Plan v5 tuân theo tiêu chuẩn DWP 5.0.0. Đọc đặc tả chuẩn mực, xem kho của skill, hoặc bắt đầu áp dụng từ /init.

Cập nhật — 2026-09-17 · skill v5.4.0

Bản phát hành điểm đầu tiên của dòng v5 khép lại con đường cuối cùng để một kế hoạch có thể kết thúc dựa trên công việc chưa từng thực sự được kiểm tra, đồng thời xác định nơi bằng chứng của chính kế hoạch đó cư trú. Chuẩn DWP 5.0.0 không đổi: đây là bản phát hành về hợp đồng tiện ích và tài liệu, không phải thay đổi lược đồ.

Một lượt đánh giá chưa từng chạy không còn khó phân biệt với một lượt đánh giá sạch. Bước rà soát bảo mật của Final Review vốn đã tách bạch trình đánh giá vắng mặt — được ghi nhận như một phát hiện — với lời gọi bị lỗi, vốn cảnh báo một lần rồi đi tiếp. Trình đánh giá ở thượng nguồn thêm một kết cục thứ ba: một lần chạy khởi động rồi kết thúc mà không ghi ra phát hiện nào. Khi chưa có tên riêng, nó hòa lẫn vào “bước rà soát đã hoàn tất và không tìm thấy gì”, và điều đó cho phép khép một kế hoạch dựa trên lượt đánh giá chưa từng diễn ra. Giờ đây nó là một trạng thái riêng: được ghi nhận là lượt đánh giá dở dang, không bao giờ được tính là bằng chứng rằng tập thay đổi đã sạch, và không bao giờ là lý do khép lại Final Review. Ba kết cục khác nhau — và không kết cục nào nghĩa là bản diff đã được đọc và sạch.

Bằng chứng của một kế hoạch thuộc về kế hoạch đó. Chuẩn vốn đã đặt bản ghi phân tích, sổ skills, bản rà soát bảo mật và nhật ký cổng kiểm vào analysis_results/ của chính kế hoạch, nhưng chưa bao giờ nêu tính độc quyền ấy thành một quy tắc. Vì thế, công cụ kiểm toán của chính kho mã, vốn mặc định ghi báo cáo vào thư mục làm việc, có thể ghi bằng chứng của một kế hoạch ra gốc kho mà không luồng nào nhận ra. Đặc tả nay yêu cầu điều đó: mọi thứ một luồng tạo ra về một kế hoạch đều vào thư mục của kế hoạch ấy, và với công cụ có đầu ra mặc định là thư mục làm việc thì phải truyền tùy chọn đầu ra tường minh. Bằng chứng không nằm ở nơi kế hoạch đã nói là bằng chứng đã mất — đó là lý do thực tế của quy tắc, không phải sở thích sắp xếp tệp.

Mốc ghim của AI Diff Reviewer lên v2.3.0. Lượt đánh giá cục bộ bắt buộc nay cài một trình đánh giá tách runner khỏi backend: cùng một lượt đánh giá có thể chạy với bất kỳ endpoint tương thích nào mà không đổi thứ DWP phụ thuộc vào — bảo đảm trung lập được củng cố chứ không nới lỏng. Kèm theo đó là trình cài đặt xác minh bằng checksum, chi phí mặc định dựa trên đo đạc thay vì phỏng đoán, và các vòng tiếp theo đánh giá đúng phần diff mới trong khi mang theo những phát hiện còn tồn. Điểm cuối này có một hệ quả hợp đồng đáng nói thẳng: việc chính mô hình tuyên bố một phát hiện đã được giải quyết không thu hồi nó — người bảo trì mới thu hồi.

Các nguyên tắc làm việc nay đi kèm với harness. v5.5.0, ra mắt cùng ngày, khiến quá trình onboarding dạy cho các agent của một kho mã cách làm việc, chứ không chỉ kho đó chứa những gì: mười hành vi cô đọng — nhận trách nhiệm về kết quả, tìm hiểu trước khi hỏi, tự quyết những việc thường lệ, báo lên khi thực sự thiếu căn cứ hoặc thẩm quyền, và kiểm chứng trước khi tuyên bố hoàn tất, cùng những điều khác — được viết nội tuyến trong AGENTS.md, nơi một agent chỉ đọc điểm vào vẫn tìm thấy. Đây là giá trị mặc định trong phạm vi một yêu cầu, không phải thẩm quyền mới: chúng không thể lấn át quyền của môi trường chủ, một phạm vi hẹp hơn, các cổng kiểm của kế hoạch, hay chính quy tắc phê duyệt của kho mã. Một lần nâng cấp sẽ dung hòa chúng theo ý nghĩa chứ không theo từ khóa, nên những quy tắc tương đương đã có sẵn được giữ lại thay vì viết lại.

Mốc ghim của AI Diff Reviewer lên v2.3.1. Skill v5.5.1 cài trình đánh giá mà check, thân bài đánh giá và bình luận theo dõi khớp nhau. Thân bài ghi Recommendation: approve không phải bằng chứng check đã đạt — hãy đọc khối Check status của mốc theo dõi. Ở chế độ advisory, một sửa chữa đã được xác nhận có thể thu hồi phát hiện mà luồng thảo luận đã thu gọn, nên PR bị kẹt có thể chuyển xanh sau một sửa chữa thật.

Đọc đặc tả để có văn bản chuẩn tắc, tài liệu tiện ích để biết trình đánh giá nay làm gì, hoặc bản phát hành v5.5.1 để xem nguồn.

Cập nhật — 2026-09-25 · skill v5.5.3 + trình đánh giá v3.1.1

Tiện ích AI Diff Reviewer giờ đây tài liệu hóa và cài đặt dòng v3 của trình đánh giá, phát hành ngày 2026-09-24 (v3.0.0 → v3.1.1, ghim di động @v3). Skill v5.5.2 đã viết lại các tài liệu chuẩn mực của tiện ích, hook onboarding và mẫu tích hợp quanh những gì trình đánh giá v3 thực sự làm, còn v5.5.3 đã bàn giao phía CI. Những thay đổi chịu tải nhất, được xác minh với trình đánh giá đã phát hành tại tag v3.1.1:

Một critical chỉ giữ cổng khi đã được xác minh. Kể từ v3, mỗi xác nhận nghiêm trọng mà mô hình đưa ra — cộng thêm mẫu 30 % các cảnh báo — đều nhận một lần kiểm tra thứ hai ngắn gọn dựa trên mã bởi một lời gọi mô hình riêng biệt (≈ 3 k token, 10 giây và $0.009 mỗi phát hiện đã xác minh). Một critical chỉ được đăng — và chặn Final Review — khi trình xác minh đó xác nhận nó; các xác nhận bị bác bỏ vẫn hiển thị dưới dạng cảnh báo có chú thích và được liệt kê trong đầu ra có cấu trúc, không bao giờ đăng nội dòng. Một lượt đánh giá dùng hết giới hạn vòng (incomplete) hay đồng hồ treo tường (timeout) là màu đỏ dưới mức nghiêm ngặt có tính chặn: “không có phát hiện” giờ luôn nghĩa là trình đánh giá đã xem và không thấy gì.

Ngân sách theo mức độ rủi ro. Ngân sách đánh giá suy ra từ mức độ rủi ro tất định của thay đổi — 8/20/30/40 vòng từ low tới critical — và một push không thay đổi mã sẽ chạy một vòng chỉ có trình xác minh với chi phí −93 %. budget-profile: fixed khôi phục các hằng số trước v3 trong thời gian chuyển tiếp; các vòng tăng dần cắt 62–76 % token đầu vào.

Sáu kỹ năng con, một trong số đó là vòng lặp. Bộ định tuyến có thêm address-review (mới trong v3.1.1): một lời gọi duy nhất tìm các PR đang mở của nhánh, kiểm tra bản đánh giá đã phủ head hiện tại chưa, trình bày các phát hiện với kế hoạch áp dụng/trì hoãn/bỏ qua, rồi — sau một lời “có” duy nhất — áp dụng, commit theo các lô Conventional Commits nhỏ, push, và kích hoạt lại trình đánh giá theo cách kho lưu trữ kích hoạt nó. apply-review vẫn chỉ đọc; đầu ra có cấu trúc (review-output/3.0) là đường dành cho máy của mọi tự động hóa. Dòng @v2 vẫn bị đóng băng tại release/v2 với sáu tháng bảo trì bảo mật và danh mục — v3 là khuyến nghị, không bao giờ là di dời bắt buộc.

Trình đánh giá giờ đánh giá chính ngôi nhà của mình. Cả kho lưu trữ skill lẫn trang web này đều chạy một tự đánh giá CI có cổng nhãn — một chân grok duy nhất qua DailybotHQ/ai-diff-reviewer@v3, kích hoạt một lần mỗi lần nhãn ready được áp dụng (gỡ rồi gắn lại nhãn để chạy lại), với việc bỏ qua trung thực khi secret của nhà cung cấp vắng mặt. Trang này cũng vendorize trình đánh giá v3.1.1, nên Final Review cục bộ và tài liệu nay dạy cùng một hợp đồng.

Đọc đặc tả, tài liệu tham khảo tiện ích cho danh sách đầy đủ năng lực v3, bản phát hành v5.5.3 cho nguồn, hoặc bản phát hành v3.1.1 của trình đánh giá cho những gì thay đổi ở thượng nguồn.