Deep Work Plan
Deep Work Plan ist eine MIT-lizenzierte, agentenunabhängige, spezifikationsgesteuerte Methodik, die jedes Repository in ein dauerhaftes "Agenten-Harness" (Kontext, Leitplanken und wiederaufnehmbare Pläne) verwandelt, damit Codierungsagenten langfristige Aufgaben zuverlässig mit expliziten Akzeptanzkriterien und Validierungstoren ausführen können.
https://deepworkplan.com/?ref=producthunt&utm_source=aipure
Produktinformationen
Aktualisiert:Jun 18, 2026
Was ist Deep Work Plan
Deep Work Plan ist ein strukturiertes Ausführungsframework für KI-Codierungsagenten, das entwickelt wurde, um "Drift" bei mehrstündigen oder mehrtägigen Engineering-Aufgaben wie Migrationen, Refactorings über viele Dateien oder dem Aufbau neuer Subsysteme zu verhindern. Anstatt sich auf das kurzfristige Kontextfenster eines Agenten zu verlassen, macht es das Repository selbst zur Quelle der Wahrheit, indem es eine Reihe von standardisierten, auditierbaren Markdown-Artefakten (z. B. AGENTS.md, docs/ und ein .agents/-Kit) sowie einen Git-nativen Planungsarbeitsbereich (.dwp/) installiert. Das Ergebnis ist eine portable, wiederholbare Methode für Teams, um spezifikationsgesteuerte Entwicklung zu betreiben, bei der jeder Agent die Arbeit aufnehmen, dieselben Leitplanken befolgen und überprüfbare Ergebnisse erzielen kann.
Hauptfunktionen von Deep Work Plan
Deep Work Plan ist eine MIT-lizenzierte, agentenunabhängige Methodik und ein Skill-Paket, das jedes Code-Repository in ein strukturiertes „Gerüst“ für langfristige KI-Codierungsarbeiten verwandelt. Es installiert Repo-native Planungs- und Ausführungsartefakte (z. B. AGENTS.md, einen kategorisierten docs/-Baum, ein agentenübergreifendes .agents/-Kit und einen gitignorierten .dwp/-Arbeitsbereich), sodass Agenten mehrstündige Aufgaben mit expliziten Akzeptanzkriterien und Validierungstoren ausführen, Abweichungen reduzieren und nach Kontextbeschränkungen zuverlässig fortsetzen können – ohne externe Daemons, Konten oder Telemetrie.
Repository-als-Gerüst-Onboarding: Überprüft den realen Stack des Repositories (Sprachen, Frameworks, Manifeste, CI) und generiert angepasste Artefakte – wobei generische Platzhalter als Fehler behandelt werden –, sodass das Repository selbst zu einer dauerhaften Ausführungsumgebung für Agenten wird.
Spezifikationsgesteuerte Deep Work Plans mit Validierungstoren: Erstellt wiederaufnehmbare Pläne mit expliziten Akzeptanzkriterien und Verifizierungsschritten, wodurch langfristige Arbeiten auditierbar bleiben und Abweichungen während der Ausführung über viele Dateien und Entscheidungen hinweg verhindert werden.
Agentenunabhängiger, Markdown-erster Workflow: Verwendet Markdown und einfache Prozeduren, sodass mehrere Agenten/Tools dieselbe Quelle der Wahrheit befolgen können; Adapter unterstützen Claude Code, Cursor, Codex, Copilot, Gemini, Windsurf, Cline und mehr.
AGENTS.md + vereinheitlichte Regeln über Symlinks: Schreibt AGENTS.md im Repo-Root und verknüpft CLAUDE.md damit, plus einen .claude → .agents-Symlink, um sicherzustellen, dass verschiedene Tools einen konsistenten Anweisungssatz lesen.
Git-native Wiederaufnehmbarkeit mit .dwp/: Speichert Pläne/Entwürfe in einem gitignorierten .dwp/-Ordner und verlässt sich auf den Git-Status anstatt auf externe Dienste, was die Wiederherstellung nach Kontextüberlauf und die einfache Übergabe zwischen Sitzungen oder Agenten ermöglicht.
Objektive Konformitätsprüfungen: Enthält einen Verifizierungsbefehl, der eine Pass/Fail-Konformität mit der Spezifikation erzeugt, wodurch die „KI-erste“ Repository-Bereitschaft messbar und im Laufe der Zeit überprüfbar wird.
Anwendungsfälle von Deep Work Plan
Große Refactorings in SaaS-Entwicklungsteams: Planen und führen Sie dateiübergreifende Refactorings (z. B. Architekturbereinigung, Modulgrenzen, Abhängigkeits-Upgrades) mit Akzeptanzkriterien und Validierungsschritten durch, damit die Arbeit über Stunden/Tage hinweg kohärent bleibt.
Framework- oder Plattformmigrationen: Führen Sie langfristige Migrationen (z. B. Build-Systemänderungen, API-Versions-Upgrades, Monolith-zu-Modular-Umstellungen) mit wiederaufnehmbarem Zustand und Repo-abgeleiteten Befehlen zur wiederholbaren Überprüfung durch.
KI-gestütztes Onboarding für neue oder übernommene Repositories: Standardisieren Sie Dokumentation, Befehle und Agentenregeln, indem Sie AGENTS.md und kategorisierte docs/ aus der tatsächlichen Codebasis generieren, was die Wartbarkeit für neue Teams oder Akquisitionen verbessert.
Orchestrierung der Arbeit über Multi-Repo-Programme hinweg: Verwenden Sie den Archetyp „Orchestrator Hub“, um untergeordnete Pläne über mehrere Repositories hinweg zu koordinieren und Grenzen, Navigation und Verifizierung in komplexen Produktökosystemen konsistent zu halten.
Regulierte oder datenschutzsensible Entwicklungsumgebungen: Führen Sie agentengestützte Workflows ohne externe Telemetrie oder Konten ein, indem Sie Pläne und Ausführungszustände lokal und git-nativ halten – nützlich für Finanz-, Gesundheits- oder interne Unternehmenscodebasen.
Vorteile
Agentenunabhängig und portabel: Funktioniert über viele Codierungsagenten/Tools hinweg, die Markdown als gemeinsame Schnittstelle verwenden.
Reduziert langfristige Abweichungen: Explizite Akzeptanzkriterien und Validierungstore machen mehrstündige Arbeiten überprüfbar.
Git-nativ und wiederaufnehmbar: Kein externer Zustand, ermöglicht die Wiederherstellung nach Kontextüberläufen und einfache Übergaben.
Onboarding passt sich dem tatsächlichen Repo an: Generiert Befehle/Dokumente basierend auf realen Manifesten und CI anstatt auf Vorlagen.
Nachteile
Am besten geeignet für längere, strukturierte Arbeiten: kann sich für schnelle einmalige Bearbeitungen oder sehr kleine Repositories schwerfällig anfühlen.
Die Qualität hängt von der Repo-Hygiene ab: Unklare Tests/CI oder fehlende Manifeste können die Genauigkeit der Ableitung von Validierungsbefehlen durch das Onboarding einschränken.
Erfordert Prozessakzeptanz: Teams müssen sich zur Spezifikations-/Planungsdisziplin verpflichten, um die Vorteile der Drift-Reduzierung voll auszuschöpfen.
Wie verwendet man Deep Work Plan
1) Wählen Sie ein Ziel-Repository und eine langfristige Aufgabe: Wählen Sie das Repo aus, das Sie "KI-first" machen möchten, und eine Aufgabe, die typischerweise zu Agenten-Drift führt (Migration, neues Subsystem, Multi-Datei-Refactoring). Stellen Sie sicher, dass das Repo sauber ist (lokale Änderungen committen oder stashen), damit das Deep Work Plan Onboarding atomar committed werden kann.
2) Starten Sie das Onboarding, indem Sie Ihren Codierungsagenten auf /init.md verweisen: Geben Sie in Ihrem Agenten (Claude Code, Cursor, Codex, Copilot, Gemini usw.) eine einzige Anweisung, um die Onboarding-Eingabeaufforderung unter https://deepworkplan.com/init.md zu öffnen und zu befolgen. Dies ist der Einstiegspunkt, der dem Agenten mitteilt, welche Methodik er anwenden und welche Artefakte er generieren soll.
3) Lassen Sie den Agenten über Ihren Stack nachdenken (keine Vorlagen): Der Agent inspiziert die realen Manifeste, das Ordnerlayout und die CI Ihres Repositorys, um Sprachen/Frameworks, Paketmanager und die tatsächlichen Validierungsbefehle (Test/Lint/Build) abzuleiten. Er klassifiziert das Repo auch entweder als individuelles Repository oder als Orchestrator-Hub.
4) Generieren und committen Sie AGENTS.md als dauerhafte Quelle der Wahrheit: Der Agent schreibt AGENTS.md im Repo-Root, gefüllt mit den realen Befehlen und Konventionen Ihres Repos (keine Platzhalter). Wenn CLAUDE.md von Ihren Tools verwendet wird, wird es mit AGENTS.md verknüpft, so dass es einen kanonischen Anweisungssatz gibt.
5) Generieren Sie kategorisierte docs/ und modulweise Dokumentation: Der Agent erstellt eine docs/-Hierarchie (Setup, Architektur, Standards, Fehlerbehebung) und erstellt bei Bedarf modulweise README/Dokumentationen (insbesondere in Monorepos). Diese Dokumentation wird aus Ihrer Codebasis und der Build/CI-Realität abgeleitet.
6) Erstellen Sie das Cross-Agent .agents/-Kit: Der Agent erstellt ein .agents/-Verzeichnis (Skills, Agenten, Befehle) und fügt den .claude → .agents-Symlink hinzu, damit mehrere Agenten-Tools dasselbe operative Kit lesen können. Dies macht das Repo über Agenten hinweg portabel.
7) Installieren Sie das Deep Work Plan Skill Pack und erstellen Sie den .dwp/-Zustand: Der Agent installiert das DWP Skill Pack (erstellen, ausführen, verfeinern, fortsetzen, Status, verifizieren, onboarden, autorisieren) und erstellt einen gitignored .dwp/-Ordner für Pläne und Entwürfe. Die Schlüsselidee ist die Git-native Wiederaufnehmbarkeit ohne externen Zustand.
8) Überprüfen Sie die Konformität mit /dwp-verify: Führen Sie den Verifizierungsbefehl (/dwp-verify) aus, um einen objektiven Pass/Fail-Bericht gegen die Deep Work Plan-Spezifikation zu erstellen. Beheben Sie alle Fehler, bis das Repo wieder überprüfbar "KI-first" ist.
9) Erstellen Sie einen Deep Work Plan für Ihre Aufgabe (spezifikationsgesteuert): Verwenden Sie den DWP-Erstellungsfluss (z. B. /dwp-create), um einen Plan zu generieren, der explizite Akzeptanzkriterien und Validierungstore (Test-/Lint-/Build-Befehle) enthält. Der Plan sollte so geschrieben sein, dass jeder Agent ihn ausführen kann und der Fortschritt überprüfbar ist.
10) Führen Sie den Plan Schritt für Schritt mit Validierungstoren aus: Führen Sie den Ausführungsfluss aus (z. B. /dwp-execute). Der Agent folgt dem Plan, implementiert Änderungen über Dateien hinweg und führt die angegebenen Validierungsbefehle an den definierten Toren aus. Dies reduziert den Drift und hält die Arbeit überprüfbar.
11) Verfolgen Sie den Fortschritt und passen Sie ihn an, wenn sich die Realität ändert: Verwenden Sie Status- und Verfeinerungsflüsse (z. B. /dwp-status, /dwp-refine), um den Plan zu aktualisieren, wenn neue Informationen auftauchen. Halten Sie Akzeptanzkriterien und Tore aktuell, damit der Plan die dauerhafte Quelle der Wahrheit bleibt.
12) Zuverlässiges Fortsetzen über Sitzungen hinweg (auch nach Kontextüberlauf): Wenn der Agent mitten in der Aufgabe stoppt oder der Kontext überläuft, verwenden Sie den Fortsetzungsfluss (z. B. /dwp-resume). Da Pläne/Entwürfe im gitignored .dwp/-Ordner liegen und das Repo das Harness (AGENTS.md, docs, .agents/) enthält, kann jeder kompatible Agent dort weitermachen, wo der letzte aufgehört hat.
13) (Optional) Verwenden Sie die Autoren-Tools, um das Harness zu erweitern: Wenn Sie repo-spezifische Automatisierung benötigen, verwenden Sie die Autoren-Unterfertigkeit (skill-create, agent-create), um neue Skills/Agenten/Befehle unter .agents/ hinzuzufügen. Dies ermöglicht es dem Repository, seine eigenen wiederholbaren Verfahren im Laufe der Zeit zu entwickeln.
14) (Optional) Orchestrator-Hub-Workflow für Multi-Repo-Programme: Wenn das Onboarding Ihr Repo als Orchestrator-Hub klassifiziert hat, verwenden Sie das Manifest/den Index des Hubs, um untergeordnete Deep Work Plans in jedem Unter-Repository zu erstellen. Jeder untergeordnete Plan committet in seinem eigenen Repo, während der Hub Grenzen und Navigation koordiniert.
Deep Work Plan FAQs
Deep Work Plan ist eine MIT-lizenzierte, agentenunabhängige Methodik und ein Skill-Paket, das ein Code-Repository in ein strukturiertes „Harness“ (Kontext, Leitplanken und einen dauerhaften Plan) verwandelt, sodass KI-Codierungsagenten langfristige Aufgaben zuverlässig mit spezifikationsgesteuerter Entwicklung, expliziten Akzeptanzkriterien und Validierungsgates ausführen können.
Beliebte Artikel
Atoms: Eine Multi-Agenten-KI-Plattform, die Ideen in startbereite Produkte verwandelt
May 22, 2026
Nano Banana SBTI: Was es ist, wie es funktioniert und wie man es im Jahr 2026 einsetzt
Apr 15, 2026
Atoms Review – Der KI-Produkt-Builder, der die digitale Erstellung im Jahr 2026 neu definiert
Apr 10, 2026
Kilo Claw: Wie man einen echten "Do-It-For-You" KI-Agenten bereitstellt und verwendet (2026 Update)
Apr 3, 2026
Neueste KI-Tools ähnlich wie Deep Work Plan
Gait
Gait ist ein Collaboration-Tool, das KI-unterstützte Codegenerierung mit Versionskontrolle integriert und es Teams ermöglicht, KI-generierten Codekontext effizient zu verfolgen, zu verstehen und zu teilen.
invoices.dev
invoices.dev ist eine automatisierte Rechnungsplattform, die Rechnungen direkt aus den Git-Commits der Entwickler generiert und Integrationsmöglichkeiten für GitHub, Slack, Linear und Google-Dienste bietet.
EasyRFP
EasyRFP ist ein KI-gestütztes Edge-Computing-Toolkit, das RFP (Request for Proposal)-Antworten optimiert und eine Echtzeit-Feldphänotypisierung durch Deep-Learning-Technologie ermöglicht.
Cart.ai
Cart.ai ist eine KI-gestützte Dienstleistungsplattform, die umfassende Lösungen zur Automatisierung von Geschäftsprozessen bietet, einschließlich Programmierung, Kundenbeziehungsmanagement, Videobearbeitung, E-Commerce-Setup und benutzerdefinierter KI-Entwicklung mit 24/7 Unterstützung.
Beliebte KI-Tools wie Deep Work Plan
GitHub Copilot Chat
GitHub Copilot Chat ist ein KI-gestützter Codierungsassistent, der Interaktionen in natürlicher Sprache, Echtzeit-Codevorschläge und kontextuelle Unterstützung direkt innerhalb unterstützter IDEs und GitHub.com bietet.
CopilotForXcode
CopilotForXcode ist eine Xcode-Quell-Editor-Erweiterung, die GitHub Copilot, Codeium und ChatGPT integriert, um KI-gestützte Codevorschläge, Chat-Unterstützung und Prompt-to-Code-Funktionalität innerhalb von Xcode bereitzustellen.
BrowserAI
BrowserAI ist eine Open-Source-Bibliothek, die die Ausführung lokaler Large Language Models (LLMs) direkt in Webbrowsern mit WebGPU-Beschleunigung ermöglicht und datenschutzorientierte KI-Funktionen bietet, ohne dass eine Serverinfrastruktur erforderlich ist.
OpenAI Codex CLI
OpenAI Codex CLI ist ein schlanker Open-Source-Coding-Agent, der in Ihrem Terminal ausgeführt wird und es Entwicklern ermöglicht, natürliche Sprache in Codeausführung zu übersetzen und gleichzeitig ChatGPT-ähnliche Argumentation mit der Möglichkeit, Code auszuführen, Dateien zu bearbeiten und unter Versionskontrolle zu iterieren, bereitzustellen.