Deep Work Plan
Deep Work Plan es una metodología agnóstica a los agentes, basada en especificaciones y con licencia MIT, que convierte cualquier repositorio en un "arnés de agente" duradero (contexto, barandillas y planes reanudables) para que los agentes de codificación puedan ejecutar trabajos de largo plazo de forma fiable con criterios de aceptación explícitos y puertas de validación.
https://deepworkplan.com/?ref=producthunt&utm_source=aipure
Información del Producto
Actualizado:18/06/2026
¿Qué es Deep Work Plan?
Deep Work Plan es un marco de ejecución estructurado para agentes de codificación de IA diseñado para prevenir la "deriva" en esfuerzos de ingeniería de varias horas o varios días, como migraciones, refactorizaciones en muchos archivos o la construcción de nuevos subsistemas. En lugar de depender de la ventana de contexto a corto plazo de un agente, convierte el propio repositorio en la fuente de la verdad al instalar un conjunto de artefactos Markdown estandarizados y auditables (por ejemplo, AGENTS.md, docs/ y un kit .agents/) más un espacio de trabajo de planificación nativo de git (.dwp/). El resultado es una forma portátil y repetible para que los equipos ejecuten un desarrollo basado en especificaciones donde cualquier agente puede retomar el trabajo, seguir las mismas barandillas y producir resultados verificables.
Características Principales de Deep Work Plan
El Plan de Trabajo Profundo es una metodología y un paquete de habilidades con licencia MIT, agnóstico a agentes, que convierte cualquier repositorio de código en un "arnés" estructurado para el trabajo de codificación de IA de largo alcance. Instala artefactos de planificación y ejecución nativos del repositorio (por ejemplo, AGENTS.md, un árbol de docs/ categorizado, un kit .agents/ entre agentes y un espacio de trabajo .dwp/ ignorado por git) para que los agentes puedan ejecutar tareas de varias horas con criterios de aceptación explícitos y puertas de validación, reducir la desviación y reanudar de forma fiable después de los límites de contexto, sin demonios externos, cuentas o telemetría.
Incorporación de repositorio como arnés: Inspecciona la pila real del repositorio (lenguajes, frameworks, manifiestos, CI) y genera artefactos adaptados, tratando los marcadores de posición genéricos como fallas, para que el propio repositorio se convierta en un entorno de ejecución duradero para los agentes.
Planes de trabajo profundo basados en especificaciones con puertas de validación: Crea planes reanudables con criterios de aceptación explícitos y pasos de verificación, manteniendo el trabajo de largo alcance auditable y evitando la desviación a mitad de la ejecución en muchos archivos y decisiones.
Flujo de trabajo agnóstico a agentes, primero en Markdown: Utiliza Markdown y procedimientos simples para que múltiples agentes/herramientas puedan seguir la misma fuente de verdad; los adaptadores son compatibles con Claude Code, Cursor, Codex, Copilot, Gemini, Windsurf, Cline y más.
AGENTS.md + reglas unificadas a través de enlaces simbólicos: Escribe AGENTS.md en la raíz del repositorio y enlaza simbólicamente CLAUDE.md a él, además de un enlace simbólico .claude → .agents, asegurando que diferentes herramientas lean un conjunto de instrucciones consistente.
Reanudabilidad nativa de Git con .dwp/: Almacena planes/borradores en una carpeta .dwp/ ignorada por git y se basa en el estado de git en lugar de servicios externos, lo que permite la recuperación después de un desbordamiento de contexto y una fácil transferencia entre sesiones o agentes.
Comprobaciones de conformidad objetivas: Incluye un comando de verificación que produce conformidad de aprobación/falla con respecto a la especificación, lo que hace que la preparación del repositorio "AI-first" sea medible y verificable con el tiempo.
Casos de Uso de Deep Work Plan
Grandes refactorizaciones en equipos de ingeniería SaaS: Planifique y ejecute refactorizaciones de varios archivos (por ejemplo, limpieza de arquitectura, límites de módulos, actualizaciones de dependencias) con criterios de aceptación y pasos de validación para que el trabajo se mantenga coherente durante horas/días.
Migraciones de frameworks o plataformas: Ejecute migraciones de largo alcance (por ejemplo, cambios en el sistema de compilación, actualizaciones de versiones de API, cambios de monolito a modular) con estado reanudable y comandos derivados del repositorio para una verificación repetible.
Incorporación de IA primero para repositorios nuevos o heredados: Estandarice la documentación, los comandos y las reglas de los agentes generando AGENTS.md y docs/ categorizados a partir de la base de código real, mejorando la mantenibilidad para nuevos equipos o adquisiciones.
Orquestación del trabajo en programas de múltiples repositorios: Utilice el arquetipo de "centro orquestador" para coordinar planes secundarios en varios repositorios, manteniendo la coherencia de los límites, la navegación y la verificación en ecosistemas de productos complejos.
Entornos de desarrollo regulados o sensibles a la privacidad: Adopte flujos de trabajo asistidos por agentes sin telemetría o cuentas externas manteniendo los planes y el estado de ejecución locales y nativos de git, útil para finanzas, atención médica o bases de código empresariales internas.
Ventajas
Agnóstico a agentes y portátil: funciona en muchos agentes/herramientas de codificación utilizando Markdown como interfaz común.
Reduce la desviación a largo plazo: los criterios de aceptación explícitos y las puertas de validación mantienen el trabajo de varias horas verificable.
Nativo de Git y reanudable: sin estado externo, lo que permite la recuperación después de desbordamientos de contexto y transferencias fáciles.
La incorporación se adapta al repositorio real: genera comandos/documentos basados en manifiestos reales y CI en lugar de plantillas.
Desventajas
Más adecuado para trabajos más largos y estructurados: puede parecer pesado para ediciones rápidas únicas o repositorios muy pequeños.
La calidad depende de la higiene del repositorio: pruebas/CI poco claras o manifiestos faltantes pueden limitar la capacidad de la incorporación para inferir comandos de validación.
Requiere la adopción de procesos: los equipos deben comprometerse con la disciplina de especificaciones/planes para aprovechar al máximo los beneficios de reducción de la desviación.
Cómo Usar Deep Work Plan
1) Elija un repositorio de destino y una tarea de largo plazo: Elija el repositorio que desea convertir en "AI-first" y una tarea que típicamente cause la deriva del agente (migración, nuevo subsistema, refactorización de múltiples archivos). Asegúrese de que el repositorio esté limpio (haga commit o guarde los cambios locales) para que la incorporación de Deep Work Plan pueda ser confirmada atómicamente.
2) Comience la incorporación apuntando su agente de codificación a /init.md: En su agente (Claude Code, Cursor, Codex, Copilot, Gemini, etc.), dé una sola instrucción para abrir y seguir la solicitud de incorporación en https://deepworkplan.com/init.md. Este es el punto de entrada que le dice al agente qué metodología adoptar y qué artefactos generar.
3) Deje que el agente razone sobre su stack (sin plantillas): El agente inspecciona los manifiestos reales de su repositorio, el diseño de carpetas y el CI para inferir lenguajes/frameworks, el gestor de paquetes y los comandos de validación reales (prueba/lint/build). También clasifica el repositorio como un repositorio individual o un centro orquestador.
4) Genere y haga commit de AGENTS.md como la fuente duradera de la verdad: El agente escribe AGENTS.md en la raíz del repositorio, poblado con los comandos y convenciones reales de su repositorio (no marcadores de posición). Si su herramienta utiliza CLAUDE.md, se crea un enlace simbólico a AGENTS.md para que haya un conjunto de instrucciones canónico.
5) Genere docs/ categorizados y documentación por módulo: El agente estructura una jerarquía de docs/ (configuración, arquitectura, estándares, resolución de problemas) y crea README/docs por módulo cuando sea apropiado (especialmente en monorepos). Esta documentación se deriva de su base de código y de la realidad de construcción/CI.
6) Estructure el kit .agents/ entre agentes: El agente crea un directorio .agents/ (habilidades, agentes, comandos) y agrega el enlace simbólico .claude → .agents para que múltiples herramientas de agente puedan leer el mismo kit operativo. Esto hace que el repositorio sea portátil entre agentes.
7) Instale el paquete de habilidades de Deep Work Plan y cree el estado .dwp/: El agente instala el paquete de habilidades DWP (crear, ejecutar, refinar, reanudar, estado, verificar, incorporar, autor) y estructura una carpeta .dwp/ ignorada por git para planes y borradores. La idea clave es la reanudabilidad nativa de Git sin estado externo.
8) Verifique la conformidad con /dwp-verify: Ejecute el comando de verificación (/dwp-verify) para producir un informe objetivo de aprobación/falla contra la especificación de Deep Work Plan. Corrija cualquier falla hasta que el repositorio sea verificablemente "AI-first" de nuevo.
9) Cree un Deep Work Plan para su tarea (basado en especificaciones): Utilice el flujo de creación de DWP (por ejemplo, /dwp-create) para generar un plan que incluya criterios de aceptación explícitos y puertas de validación (comandos de prueba/lint/build). El plan debe estar escrito para que cualquier agente pueda ejecutarlo y para que el progreso sea verificable.
10) Ejecute el plan paso a paso con puertas de validación: Ejecute el flujo de ejecución (por ejemplo, /dwp-execute). El agente sigue el plan, implementa cambios en los archivos y ejecuta los comandos de validación especificados en las puertas definidas. Esto reduce la deriva y mantiene el trabajo verificable.
11) Rastree el progreso y ajústese cuando la realidad cambie: Utilice los flujos de estado y refinamiento (por ejemplo, /dwp-status, /dwp-refine) para actualizar el plan cuando aparezca nueva información. Mantenga los criterios de aceptación y las puertas actualizados para que el plan siga siendo la fuente duradera de la verdad.
12) Reanude de forma fiable entre sesiones (incluso después de un desbordamiento de contexto): Si el agente se detiene a mitad de la tarea o el contexto se desborda, utilice el flujo de reanudación (por ejemplo, /dwp-resume). Debido a que los planes/borradores viven en la carpeta .dwp/ ignorada por git y el repositorio contiene el arnés (AGENTS.md, docs, .agents/), cualquier agente compatible puede retomar el trabajo donde lo dejó el anterior.
13) (Opcional) Utilice las herramientas de autor para extender el arnés: Si necesita automatización específica del repositorio, utilice la subhabilidad de autor (skill-create, agent-create) para agregar nuevas habilidades/agentes/comandos en .agents/. Esto permite que el repositorio desarrolle sus propios procedimientos repetibles con el tiempo.
14) (Opcional) Flujo de trabajo del centro orquestador para programas de múltiples repositorios: Si la incorporación clasificó su repositorio como un centro orquestador, utilice el manifiesto/índice del centro para generar Deep Work Plans secundarios en cada subrepositorio. Cada plan secundario se compromete en su propio repositorio, mientras que el centro coordina los límites y la navegación.
Preguntas Frecuentes de Deep Work Plan
Deep Work Plan es una metodología y un paquete de habilidades con licencia MIT, agnóstico a agentes, que convierte un repositorio de código en un "arnés" estructurado (contexto, barandales y un plan duradero) para que los agentes de codificación de IA puedan ejecutar trabajos de largo horizonte de manera confiable utilizando desarrollo basado en especificaciones, criterios de aceptación explícitos y puertas de validación.
Artículos Populares
Atoms: Una Plataforma de IA Multiagente Que Transforma Ideas en Productos Listos para Lanzar
May 22, 2026
Nano Banana SBTI: Qué es, cómo funciona y cómo usarlo en 2026
Apr 15, 2026
Reseña de Atoms: El Constructor de Productos de IA que Redefine la Creación Digital en 2026
Apr 10, 2026
Kilo Claw: Cómo implementar y usar un verdadero agente de IA "Hágalo por usted" (Actualización 2026)
Apr 3, 2026
Últimas herramientas de IA similares a Deep Work Plan
Gait
Gait es una herramienta de colaboración que integra la generación de código asistido por IA con el control de versiones, permitiendo a los equipos rastrear, entender y compartir el contexto del código generado por IA de manera eficiente.
invoices.dev
invoices.dev es una plataforma de facturación automatizada que genera facturas directamente de los commits de Git de los desarrolladores, con capacidades de integración para GitHub, Slack, Linear y servicios de Google.
EasyRFP
EasyRFP es un kit de herramientas de computación en el borde impulsado por IA que agiliza las respuestas a RFP (Solicitud de Propuesta) y permite el fenotipado de campo en tiempo real a través de tecnología de aprendizaje profundo.
Cart.ai
Cart.ai es una plataforma de servicios impulsada por IA que proporciona soluciones integrales de automatización empresarial, incluyendo codificación, gestión de relaciones con clientes, edición de video, configuración de comercio electrónico y desarrollo de IA personalizada con soporte 24/7.
Herramientas de IA populares como Deep Work Plan
GitHub Copilot Chat
GitHub Copilot Chat es un asistente de codificación impulsado por IA que proporciona interacciones en lenguaje natural, sugerencias de código en tiempo real y soporte contextual directamente dentro de los IDEs compatibles y GitHub.com.
CopilotForXcode
CopilotForXcode es una Extensión del Editor de Código de Xcode que integra GitHub Copilot, Codeium y ChatGPT para proporcionar sugerencias de código impulsadas por IA, asistencia de chat y funcionalidad de prompt-a-código dentro de Xcode.
BrowserAI
BrowserAI es una biblioteca de código abierto que permite ejecutar modelos de lenguaje grandes (LLM) locales directamente en navegadores web con aceleración WebGPU, ofreciendo capacidades de IA centradas en la privacidad sin necesidad de infraestructura de servidor.
OpenAI Codex CLI
OpenAI Codex CLI es un agente de codificación ligero de código abierto que se ejecuta en su terminal, lo que permite a los desarrolladores traducir el lenguaje natural en la ejecución de código al tiempo que proporciona un razonamiento a nivel de ChatGPT con la capacidad de ejecutar código, manipular archivos e iterar bajo control de versiones.