Deep Work Plan
Deep Work Plan é uma metodologia com licença MIT, agnóstica a agentes e orientada por especificações que transforma qualquer repositório em um "arnês de agente" durável (contexto, guardrails e planos retomáveis) para que agentes de codificação possam executar trabalhos de longo prazo de forma confiável com critérios de aceitação explícitos e portões de validação.
https://deepworkplan.com/?ref=producthunt&utm_source=aipure
Informações do Produto
Atualizado:Jun 18, 2026
O que é Deep Work Plan
Deep Work Plan é uma estrutura de execução estruturada para agentes de codificação de IA, projetada para prevenir o "desvio" em esforços de engenharia de várias horas ou dias, como migrações, refatorações em muitos arquivos ou construção de novos subsistemas. Em vez de depender da janela de contexto de curto prazo de um agente, ele torna o próprio repositório a fonte da verdade, instalando um conjunto de artefatos Markdown padronizados e auditáveis (por exemplo, AGENTS.md, docs/ e um kit .agents/) mais um espaço de trabalho de planejamento nativo do git (.dwp/). O resultado é uma maneira portátil e repetível para as equipes executarem desenvolvimento orientado por especificações, onde qualquer agente pode assumir o trabalho, seguir os mesmos guardrails e produzir resultados verificáveis.
Principais Recursos do Deep Work Plan
Deep Work Plan é uma metodologia e pacote de habilidades com licença MIT, agnóstico a agentes, que transforma qualquer repositório de código em um "arnês" estruturado para trabalho de codificação de IA de longo prazo. Ele instala artefatos de planejamento e execução nativos do repositório (por exemplo, AGENTS.md, uma árvore docs/ categorizada, um kit .agents/ entre agentes e um espaço de trabalho .dwp/ ignorado pelo git) para que os agentes possam executar tarefas de várias horas com critérios de aceitação explícitos e portões de validação, reduzir o desvio e retomar de forma confiável após limites de contexto - sem daemons externos, contas ou telemetria.
Onboarding "repositório como arnês": Inspeciona a pilha real do repositório (linguagens, frameworks, manifestos, CI) e gera artefatos adaptados - tratando placeholders genéricos como falha - para que o próprio repositório se torne um ambiente de execução durável para agentes.
Planos de Trabalho Profundo orientados por especificações com portões de validação: Cria planos retomáveis com critérios de aceitação explícitos e etapas de verificação, mantendo o trabalho de longo prazo auditável e prevenindo o desvio no meio da execução em muitos arquivos e decisões.
Fluxo de trabalho agnóstico a agentes, "Markdown-first": Usa Markdown e procedimentos simples para que vários agentes/ferramentas possam seguir a mesma fonte de verdade; adaptadores suportam Claude Code, Cursor, Codex, Copilot, Gemini, Windsurf, Cline e muito mais.
AGENTS.md + regras unificadas via symlinks: Escreve AGENTS.md na raiz do repositório e cria um symlink CLAUDE.md para ele, além de um symlink .claude → .agents, garantindo que diferentes ferramentas leiam um conjunto consistente de instruções.
Retomabilidade nativa do Git com .dwp/: Armazena planos/rascunhos em uma pasta .dwp/ ignorada pelo git e depende do estado do git em vez de serviços externos, permitindo a recuperação após estouro de contexto e fácil entrega entre sessões ou agentes.
Verificações de conformidade objetiva: Inclui um comando de verificação que produz conformidade de aprovação/reprovação em relação à especificação, tornando a prontidão do repositório "AI-first" mensurável e verificável novamente ao longo do tempo.
Casos de Uso do Deep Work Plan
Grandes refatorações em equipes de engenharia de SaaS: Planeje e execute refatorações de vários arquivos (por exemplo, limpeza de arquitetura, limites de módulo, atualizações de dependência) com critérios de aceitação e etapas de validação para que o trabalho permaneça coerente ao longo de horas/dias.
Migrações de framework ou plataforma: Execute migrações de longo prazo (por exemplo, mudanças no sistema de compilação, atualizações de versão de API, mudanças de monolito para modular) com estado retomável e comandos derivados do repositório para verificação repetível.
Onboarding "AI-first" para repositórios novos ou herdados: Padronize a documentação, comandos e regras de agente gerando AGENTS.md e docs/ categorizados a partir da base de código real, melhorando a manutenibilidade para novas equipes ou aquisições.
Orquestrando o trabalho em programas multi-repositório: Use o arquétipo de "hub orquestrador" para coordenar planos filhos em vários repositórios, mantendo limites, navegação e verificação consistentes em ecossistemas de produtos complexos.
Ambientes de desenvolvimento regulamentados ou sensíveis à privacidade: Adote fluxos de trabalho assistidos por agentes sem telemetria ou contas externas, mantendo planos e estado de execução locais e nativos do git - útil para finanças, saúde ou bases de código empresariais internas.
Vantagens
Agnóstico a agentes e portátil: funciona em muitos agentes/ferramentas de codificação usando Markdown como interface comum.
Reduz o desvio de longo prazo: critérios de aceitação explícitos e portões de validação mantêm o trabalho de várias horas verificável.
Nativo do Git e retomável: sem estado externo, permitindo a recuperação após estouros de contexto e entregas fáceis.
O onboarding se adapta ao repositório real: gera comandos/documentos com base em manifestos reais e CI, em vez de modelos.
Desvantagens
Mais adequado para trabalhos mais longos e estruturados: pode parecer pesado para edições rápidas pontuais ou repositórios muito pequenos.
A qualidade depende da higiene do repositório: testes/CI pouco claros ou manifestos ausentes podem limitar o quão bem o onboarding infere comandos de validação.
Requer adoção de processo: as equipes devem se comprometer com a disciplina de especificação/plano para realizar plenamente os benefícios da redução de desvio.
Como Usar o Deep Work Plan
1) Escolha um repositório de destino e uma tarefa de longo prazo: Escolha o repositório que você deseja tornar "AI-first" e uma tarefa que tipicamente causa desvio do agente (migração, novo subsistema, refatoração de múltiplos arquivos). Certifique-se de que o repositório esteja limpo (commit ou stash de alterações locais) para que o onboarding do Deep Work Plan possa ser commitado atomicamente.
2) Inicie o onboarding apontando seu agente de codificação para /init.md: No seu agente (Claude Code, Cursor, Codex, Copilot, Gemini, etc.), dê uma única instrução para abrir e seguir o prompt de onboarding em https://deepworkplan.com/init.md. Este é o ponto de entrada que informa ao agente qual metodologia adotar e quais artefatos gerar.
3) Deixe o agente raciocinar sobre sua pilha (sem modelos): O agente inspeciona os manifestos reais do seu repositório, o layout das pastas e o CI para inferir linguagens/frameworks, gerenciador de pacotes e os comandos de validação reais (teste/lint/build). Ele também classifica o repositório como um repositório individual ou um hub orquestrador.
4) Gere e comite AGENTS.md como a fonte durável da verdade: O agente escreve AGENTS.md na raiz do repositório, preenchido com os comandos e convenções reais do seu repositório (não placeholders). Se CLAUDE.md for usado por suas ferramentas, ele é linkado simbolicamente para AGENTS.md para que haja um conjunto de instruções canônico.
5) Gere docs/ categorizados e documentação por módulo: O agente estrutura uma hierarquia docs/ (configuração, arquitetura, padrões, solução de problemas) e cria READMEs/docs por módulo onde apropriado (especialmente em monorepos). Esta documentação é derivada da sua base de código e da realidade de build/CI.
6) Estruture o kit .agents/ entre agentes: O agente cria um diretório .agents/ (habilidades, agentes, comandos) e adiciona o link simbólico .claude → .agents para que várias ferramentas de agente possam ler o mesmo kit operacional. Isso torna o repositório portátil entre agentes.
7) Instale o pacote de habilidades Deep Work Plan e crie o estado .dwp/: O agente instala o pacote de habilidades DWP (criar, executar, refinar, retomar, status, verificar, onboard, autor) e estrutura uma pasta .dwp/ ignorada pelo git para planos e rascunhos. A ideia chave é a retomabilidade nativa do Git sem estado externo.
8) Verifique a conformidade com /dwp-verify: Execute o comando de verificação (/dwp-verify) para produzir um relatório objetivo de aprovação/reprovação contra a especificação do Deep Work Plan. Corrija quaisquer falhas até que o repositório seja verificavelmente "AI-first" novamente.
9) Crie um Deep Work Plan para sua tarefa (orientado por especificações): Use o fluxo de criação DWP (por exemplo, /dwp-create) para gerar um plano que inclua critérios de aceitação explícitos e portões de validação (comandos de teste/lint/build). O plano deve ser escrito para que qualquer agente possa executá-lo e para que o progresso seja verificável.
10) Execute o plano passo a passo com portões de validação: Execute o fluxo de execução (por exemplo, /dwp-execute). O agente segue o plano, implementa alterações em arquivos e executa os comandos de validação especificados nos portões definidos. Isso reduz o desvio e mantém o trabalho verificável.
11) Acompanhe o progresso e ajuste quando a realidade mudar: Use os fluxos de status e refinamento (por exemplo, /dwp-status, /dwp-refine) para atualizar o plano quando novas informações surgirem. Mantenha os critérios de aceitação e os portões atualizados para que o plano permaneça a fonte durável da verdade.
12) Retome de forma confiável entre as sessões (mesmo após estouro de contexto): Se o agente parar no meio da tarefa ou o contexto transbordar, use o fluxo de retomada (por exemplo, /dwp-resume). Como os planos/rascunhos vivem na pasta .dwp/ ignorada pelo git e o repositório contém o arnês (AGENTS.md, docs, .agents/), qualquer agente compatível pode continuar de onde o último parou.
13) (Opcional) Use as ferramentas do autor para estender o arnês: Se você precisar de automação específica do repositório, use a sub-habilidade do autor (skill-create, agent-create) para adicionar novas habilidades/agentes/comandos em .agents/. Isso permite que o repositório evolua seus próprios procedimentos repetíveis ao longo do tempo.
14) (Opcional) Fluxo de trabalho do hub orquestrador para programas multi-repositório: Se o onboarding classificou seu repositório como um hub orquestrador, use o manifesto/índice do hub para gerar Deep Work Plans filhos em cada sub-repositório. Cada plano filho faz commits em seu próprio repositório, enquanto o hub coordena os limites e a navegação.
Perguntas Frequentes do Deep Work Plan
Deep Work Plan é uma metodologia e pacote de habilidades com licença MIT, agnóstico a agentes, que transforma um repositório de código em um "arnês" estruturado (contexto, guardrails e um plano duradouro) para que agentes de codificação de IA possam executar trabalhos de longo prazo de forma confiável usando desenvolvimento orientado a especificações, critérios de aceitação explícitos e portões de validação.
Artigos Populares
Atoms: Uma Plataforma de IA Multiagente Que Transforma Ideias em Produtos Prontos para Lançamento
May 22, 2026
Nano Banana SBTI: O Que É, Como Funciona e Como Usá-lo em 2026
Apr 15, 2026
Análise do Atoms — O Construtor de Produtos de IA Redefinindo a Criação Digital em 2026
Apr 10, 2026
Kilo Claw: Como Implementar e Usar um Verdadeiro Agente de IA "Faça Você Mesmo" (Atualização de 2026)
Apr 3, 2026
Ferramentas de IA Mais Recentes Semelhantes a Deep Work Plan
Gait
O Gait é uma ferramenta de colaboração que integra a geração de código assistida por IA com controle de versão, permitindo que as equipes rastreiem, entendam e compartilhem o contexto do código gerado por IA de forma eficiente.
invoices.dev
invoices.dev é uma plataforma de faturamento automatizada que gera faturas diretamente dos commits do Git dos desenvolvedores, com capacidades de integração para GitHub, Slack, Linear e serviços do Google.
EasyRFP
EasyRFP é um kit de ferramentas de computação de borda alimentado por IA que agiliza as respostas a RFP (Pedido de Proposta) e possibilita fenotipagem de campo em tempo real por meio de tecnologia de aprendizado profundo.
Cart.ai
O Cart.ai é uma plataforma de serviços impulsionada por IA que fornece soluções abrangentes de automação de negócios, incluindo codificação, gerenciamento de relações com clientes, edição de vídeo, configuração de e-commerce e desenvolvimento de IA personalizado com suporte 24/7.
Ferramentas de IA Populares Como Deep Work Plan
GitHub Copilot Chat
O GitHub Copilot Chat é um assistente de codificação alimentado por IA que fornece interações em linguagem natural, sugestões de código em tempo real e suporte contextual diretamente dentro de IDEs suportadas e GitHub.com.
CopilotForXcode
O CopilotForXcode é uma Extensão do Editor de Código do Xcode que integra GitHub Copilot, Codeium e ChatGPT para fornecer sugestões de código impulsionadas por IA, assistência por chat e funcionalidade de prompt-para-código dentro do Xcode.
BrowserAI
BrowserAI é uma biblioteca de código aberto que permite executar Modelos de Linguagem Grandes (LLMs) locais diretamente em navegadores da web com aceleração WebGPU, oferecendo recursos de IA focados na privacidade sem exigir infraestrutura de servidor.
OpenAI Codex CLI
OpenAI Codex CLI é um agente de codificação leve e de código aberto que é executado no seu terminal, permitindo que os desenvolvedores traduzam linguagem natural em execução de código, ao mesmo tempo em que fornece raciocínio em nível de ChatGPT com a capacidade de executar código, manipular arquivos e iterar sob controle de versão.