Deep Work Plan
Deep Work Plan est une méthodologie sous licence MIT, agnostique aux agents et basée sur les spécifications, qui transforme n'importe quel dépôt en un « harnais d'agent » durable (contexte, garde-fous et plans résumables) afin que les agents de codage puissent exécuter des travaux à long terme de manière fiable avec des critères d'acceptation explicites et des portes de validation.
https://deepworkplan.com/?ref=producthunt&utm_source=aipure
Informations sur le produit
Mis à jour:Jun 18, 2026
Qu'est-ce que Deep Work Plan
Deep Work Plan est un cadre d'exécution structuré pour les agents de codage IA, conçu pour prévenir la « dérive » lors d'efforts d'ingénierie de plusieurs heures ou plusieurs jours, tels que les migrations, les refactorisations sur de nombreux fichiers ou la construction de nouveaux sous-systèmes. Au lieu de s'appuyer sur la fenêtre de contexte à court terme d'un agent, il fait du dépôt lui-même la source de vérité en installant un ensemble d'artefacts Markdown standardisés et vérifiables (par exemple, AGENTS.md, docs/ et un kit .agents/) ainsi qu'un espace de travail de planification natif à Git (.dwp/). Le résultat est un moyen portable et reproductible pour les équipes d'exécuter un développement basé sur des spécifications où n'importe quel agent peut prendre en charge le travail, suivre les mêmes garde-fous et produire des résultats vérifiables.
Caractéristiques principales de Deep Work Plan
Deep Work Plan est une méthodologie et un ensemble de compétences sous licence MIT, agnostiques aux agents, qui transforment tout dépôt de code en un "harnais" structuré pour le travail de codage IA à long terme. Il installe des artefacts de planification et d'exécution natifs au dépôt (par exemple, AGENTS.md, une arborescence docs/ catégorisée, un kit .agents/ inter-agents, et un espace de travail .dwp/ ignoré par git) afin que les agents puissent exécuter des tâches de plusieurs heures avec des critères d'acceptation et des portes de validation explicites, réduire la dérive et reprendre de manière fiable après les limites de contexte, sans démons externes, comptes ou télémétrie.
Intégration du dépôt en tant que harnais: Inspecte la pile réelle du dépôt (langages, frameworks, manifestes, CI) et génère des artefacts adaptés, traitant les espaces réservés génériques comme des échecs, de sorte que le dépôt lui-même devienne un environnement d'exécution durable pour les agents.
Plans de travail approfondi basés sur des spécifications avec des portes de validation: Crée des plans "resumable" avec des critères d'acceptation explicites et des étapes de vérification, rendant le travail à long terme vérifiable et empêchant la dérive en cours d'exécution sur de nombreux fichiers et décisions.
Flux de travail agnostique aux agents, "Markdown-first": Utilise Markdown et des procédures simples afin que plusieurs agents/outils puissent suivre la même source de vérité ; les adaptateurs prennent en charge Claude Code, Cursor, Codex, Copilot, Gemini, Windsurf, Cline, et plus encore.
AGENTS.md + règles unifiées via des liens symboliques: Écrit AGENTS.md à la racine du dépôt et lie symboliquement CLAUDE.md à celui-ci, plus un lien symbolique .claude → .agents, garantissant que différents outils lisent un ensemble d'instructions cohérent.
Reprise native à Git avec .dwp/: Stocke les plans/brouillons dans un dossier .dwp/ ignoré par git et s'appuie sur l'état de git plutôt que sur des services externes, permettant la récupération après un dépassement de contexte et un transfert facile entre les sessions ou les agents.
Vérifications de conformité objectives: Comprend une commande de vérification qui produit une conformité "réussie/échouée" par rapport à la spécification, rendant la préparation du dépôt "AI-first" mesurable et revérifiable au fil du temps.
Cas d'utilisation de Deep Work Plan
Refactorisations importantes dans les équipes d'ingénierie SaaS: Planifier et exécuter des refactorisations multi-fichiers (par exemple, nettoyage d'architecture, limites de modules, mises à niveau de dépendances) avec des critères d'acceptation et des étapes de validation afin que le travail reste cohérent sur plusieurs heures/jours.
Migrations de frameworks ou de plateformes: Exécuter des migrations à long terme (par exemple, changements de système de construction, mises à niveau de version d'API, passages du monolithe au modulaire) avec un état "resumable" et des commandes dérivées du dépôt pour une vérification reproductible.
Intégration "AI-first" pour les dépôts nouveaux ou hérités: Standardiser la documentation, les commandes et les règles des agents en générant AGENTS.md et des docs/ catégorisés à partir de la base de code réelle, améliorant la maintenabilité pour les nouvelles équipes ou les acquisitions.
Orchestration du travail sur des programmes multi-dépôts: Utiliser l'archétype du "hub d'orchestration" pour coordonner les plans enfants sur plusieurs dépôts, en maintenant la cohérence des limites, de la navigation et de la vérification dans des écosystèmes de produits complexes.
Environnements de développement réglementés ou sensibles à la confidentialité: Adopter des flux de travail assistés par agent sans télémétrie ou comptes externes en gardant les plans et l'état d'exécution locaux et natifs à git, utile pour les bases de code financières, de santé ou d'entreprise interne.
Avantages
Agnostique aux agents et portable : fonctionne avec de nombreux agents/outils de codage en utilisant Markdown comme interface commune.
Réduit la dérive à long terme : des critères d'acceptation explicites et des portes de validation permettent de vérifier le travail de plusieurs heures.
Natif à Git et "resumable" : pas d'état externe, permettant la récupération après des dépassements de contexte et des transferts faciles.
L'intégration s'adapte au dépôt réel : génère des commandes/docs basés sur des manifestes réels et des CI plutôt que des modèles.
Inconvénients
Mieux adapté aux travaux plus longs et structurés : peut sembler lourd pour des modifications rapides ponctuelles ou de très petits dépôts.
La qualité dépend de l'hygiène du dépôt : des tests/CI peu clairs ou des manifestes manquants peuvent limiter la qualité de l'inférence des commandes de validation lors de l'intégration.
Nécessite l'adoption d'un processus : les équipes doivent s'engager à respecter la discipline des spécifications/plans pour réaliser pleinement les avantages de la réduction de la dérive.
Comment utiliser Deep Work Plan
1) Choisissez un dépôt cible et une tâche à long terme: Choisissez le dépôt que vous souhaitez rendre « AI-first » et une tâche qui provoque généralement une dérive de l'agent (migration, nouveau sous-système, refactorisation multi-fichiers). Assurez-vous que le dépôt est propre (commitez ou mettez de côté les modifications locales) afin que l'intégration de Deep Work Plan puisse être commise de manière atomique.
2) Commencez l'intégration en dirigeant votre agent de codage vers /init.md: Dans votre agent (Claude Code, Cursor, Codex, Copilot, Gemini, etc.), donnez une seule instruction pour ouvrir et suivre l'invite d'intégration à l'adresse https://deepworkplan.com/init.md. C'est le point d'entrée qui indique à l'agent la méthodologie à adopter et les artefacts à générer.
3) Laissez l'agent raisonner sur votre pile (pas de modèles): L'agent inspecte les manifestes réels de votre dépôt, la disposition des dossiers et le CI pour déduire les langages/frameworks, le gestionnaire de paquets et les commandes de validation réelles (test/lint/build). Il classe également le dépôt comme un dépôt individuel ou un hub orchestrateur.
4) Générez et commitez AGENTS.md comme source de vérité durable: L'agent écrit AGENTS.md à la racine du dépôt, rempli des commandes et conventions réelles de votre dépôt (pas de placeholders). Si CLAUDE.md est utilisé par vos outils, il est lié symboliquement à AGENTS.md afin qu'il y ait un ensemble d'instructions canonique.
5) Générez des docs/ catégorisés et une documentation par module: L'agent échafaude une hiérarchie docs/ (configuration, architecture, normes, dépannage) et crée des README/docs par module si nécessaire (en particulier dans les monorepos). Cette documentation est dérivée de votre codebase et de la réalité de votre build/CI.
6) Échafaudez le kit .agents/ inter-agents: L'agent crée un répertoire .agents/ (compétences, agents, commandes) et ajoute le lien symbolique .claude → .agents afin que plusieurs outils d'agent puissent lire le même kit opérationnel. Cela rend le dépôt portable entre les agents.
7) Installez le pack de compétences Deep Work Plan et créez l'état .dwp/: L'agent installe le pack de compétences DWP (créer, exécuter, affiner, reprendre, statut, vérifier, intégrer, auteur) et échafaude un dossier .dwp/ ignoré par Git pour les plans et les brouillons. L'idée clé est la résumabilité native à Git sans état externe.
8) Vérifiez la conformité avec /dwp-verify: Exécutez la commande de vérification (/dwp-verify) pour produire un rapport objectif de réussite/échec par rapport à la spécification Deep Work Plan. Corrigez toutes les défaillances jusqu'à ce que le dépôt soit à nouveau vérifiable « AI-first ».
9) Créez un Deep Work Plan pour votre tâche (basé sur les spécifications): Utilisez le flux de création DWP (par exemple, /dwp-create) pour générer un plan qui inclut des critères d'acceptation explicites et des portes de validation (commandes de test/lint/build). Le plan doit être écrit de manière à ce que n'importe quel agent puisse l'exécuter et que les progrès soient vérifiables.
10) Exécutez le plan étape par étape avec des portes de validation: Exécutez le flux d'exécution (par exemple, /dwp-execute). L'agent suit le plan, implémente les modifications dans les fichiers et exécute les commandes de validation spécifiées aux portes définies. Cela réduit la dérive et maintient le travail vérifiable.
11) Suivez les progrès et ajustez lorsque la réalité change: Utilisez les flux de statut et d'affinage (par exemple, /dwp-status, /dwp-refine) pour mettre à jour le plan lorsque de nouvelles informations apparaissent. Maintenez les critères d'acceptation et les portes à jour afin que le plan reste la source de vérité durable.
12) Reprenez de manière fiable entre les sessions (même après un débordement de contexte): Si l'agent s'arrête en cours de tâche ou si le contexte déborde, utilisez le flux de reprise (par exemple, /dwp-resume). Étant donné que les plans/brouillons se trouvent dans le dossier .dwp/ ignoré par Git et que le dépôt contient le harnais (AGENTS.md, docs, .agents/), tout agent compatible peut reprendre là où le précédent s'est arrêté.
13) (Facultatif) Utilisez les outils d'auteur pour étendre le harnais: Si vous avez besoin d'une automatisation spécifique au dépôt, utilisez la sous-compétence d'auteur (skill-create, agent-create) pour ajouter de nouvelles compétences/agents/commandes sous .agents/. Cela permet au dépôt de faire évoluer ses propres procédures reproductibles au fil du temps.
14) (Facultatif) Flux de travail du hub orchestrateur pour les programmes multi-dépôts: Si l'intégration a classé votre dépôt comme un hub orchestrateur, utilisez le manifeste/index du hub pour générer des Deep Work Plans enfants dans chaque sous-dépôt. Chaque plan enfant s'engage dans son propre dépôt, tandis que le hub coordonne les limites et la navigation.
FAQ de Deep Work Plan
Deep Work Plan est une méthodologie et un pack de compétences sous licence MIT, agnostique aux agents, qui transforme un dépôt de code en un "harnais" structuré (contexte, garde-fous et plan durable) afin que les agents de codage IA puissent exécuter des travaux à long terme de manière fiable en utilisant le développement axé sur les spécifications, des critères d'acceptation explicites et des portes de validation.
Articles populaires
Atoms : Une plateforme d'IA multi-agents qui transforme les idées en produits prêts à être lancés
May 22, 2026
Nano Banana SBTI : Qu'est-ce que c'est, comment ça marche et comment l'utiliser en 2026
Apr 15, 2026
Atoms : L'outil de création de produits IA qui redéfinit la création numérique en 2026
Apr 10, 2026
Kilo Claw : Comment déployer et utiliser un véritable agent d'IA "Faites-le pour vous" (Mise à jour 2026)
Apr 3, 2026
Derniers outils d'IA similaires à Deep Work Plan
Gait
Gait est un outil de collaboration qui intègre la génération de code assistée par l'IA avec le contrôle de version, permettant aux équipes de suivre, comprendre et partager efficacement le contexte du code généré par l'IA.
invoices.dev
invoices.dev est une plateforme de facturation automatisée qui génère des factures directement à partir des commits Git des développeurs, avec des capacités d'intégration pour GitHub, Slack, Linear et les services Google.
EasyRFP
EasyRFP est un outil de calcul en périphérie alimenté par l'IA qui rationalise les réponses aux RFP (demande de proposition) et permet le phénotypage des champs en temps réel grâce à la technologie d'apprentissage profond.
Cart.ai
Cart.ai is an AI-powered service platform that provides comprehensive business automation solutions including coding, customer relations management, video editing, e-commerce setup, and custom AI development with 24/7 support.
Outils d'IA populaires comme Deep Work Plan
GitHub Copilot Chat
GitHub Copilot Chat est un assistant de codage alimenté par l'IA qui fournit des interactions en langage naturel, des suggestions de code en temps réel et un soutien contextuel directement dans les IDE pris en charge et sur GitHub.com.
CopilotForXcode
CopilotForXcode est une extension d'Éditeur de Source Xcode qui intègre GitHub Copilot, Codeium et ChatGPT pour fournir des suggestions de code alimentées par l'IA, une assistance par chat et une fonctionnalité de prompt-à-code au sein de Xcode.
BrowserAI
BrowserAI est une bibliothèque open source qui permet d'exécuter des grands modèles de langage (LLM) locaux directement dans les navigateurs Web avec l'accélération WebGPU, offrant des capacités d'IA axées sur la confidentialité sans nécessiter d'infrastructure de serveur.
OpenAI Codex CLI
OpenAI Codex CLI est un agent de codage open source léger qui s'exécute dans votre terminal, permettant aux développeurs de traduire le langage naturel en exécution de code tout en fournissant un raisonnement de niveau ChatGPT avec la possibilité d'exécuter du code, de manipuler des fichiers et d'itérer sous contrôle de version.