Deep Work Plan
Deep Work Plan adalah metodologi berbasis spesifikasi, agnostik agen, berlisensi MIT yang mengubah repositori apa pun menjadi 'harness agen' yang tahan lama (konteks, pagar pembatas, dan rencana yang dapat dilanjutkan) sehingga agen pengkodean dapat menjalankan pekerjaan berjangka panjang dengan andal dengan kriteria penerimaan eksplisit dan gerbang validasi.
https://deepworkplan.com/?ref=producthunt&utm_source=aipure
Informasi Produk
Diperbarui:Jun 18, 2026
Apa itu Deep Work Plan
Deep Work Plan adalah kerangka kerja eksekusi terstruktur untuk agen pengkodean AI yang dirancang untuk mencegah 'penyimpangan' pada upaya rekayasa multi-jam atau multi-hari seperti migrasi, refaktor di banyak file, atau membangun subsistem baru. Alih-alih mengandalkan jendela konteks jangka pendek agen, ia menjadikan repositori itu sendiri sebagai sumber kebenaran dengan menginstal serangkaian artefak Markdown standar yang dapat diaudit (misalnya, AGENTS.md, docs/, dan kit .agents/) ditambah ruang kerja perencanaan git-native (.dwp/). Hasilnya adalah cara yang portabel dan dapat diulang bagi tim untuk menjalankan pengembangan berbasis spesifikasi di mana agen mana pun dapat mengambil pekerjaan, mengikuti pagar pembatas yang sama, dan menghasilkan hasil yang dapat diverifikasi.
Fitur Utama Deep Work Plan
Deep Work Plan adalah metodologi dan paket keterampilan berlisensi MIT, agnostik agen, yang mengubah repositori kode apa pun menjadi "penghubung" terstruktur untuk pekerjaan pengkodean AI berjangka panjang. Ini menginstal artefak perencanaan dan eksekusi asli repositori (misalnya, AGENTS.md, pohon docs/ yang dikategorikan, kit .agents/ lintas-agen, dan ruang kerja .dwp/ yang diabaikan git) sehingga agen dapat menjalankan tugas multi-jam dengan kriteria penerimaan dan gerbang validasi yang eksplisit, mengurangi penyimpangan, dan melanjutkan dengan andal setelah batas konteks—tanpa daemon, akun, atau telemetri eksternal.
Orientasi repositori-sebagai-penghubung: Memeriksa tumpukan nyata repositori (bahasa, kerangka kerja, manifes, CI) dan menghasilkan artefak yang diadaptasi—memperlakukan placeholder generik sebagai kegagalan—sehingga repositori itu sendiri menjadi lingkungan eksekusi yang tahan lama untuk agen.
Rencana Kerja Mendalam berbasis spesifikasi dengan gerbang validasi: Membuat rencana yang dapat dilanjutkan dengan kriteria penerimaan dan langkah-langkah verifikasi yang eksplisit, menjaga pekerjaan berjangka panjang dapat diaudit dan mencegah penyimpangan di tengah jalan di banyak file dan keputusan.
Alur kerja agnostik agen, Markdown-first: Menggunakan Markdown dan prosedur sederhana sehingga beberapa agen/alat dapat mengikuti sumber kebenaran yang sama; adaptor mendukung Claude Code, Cursor, Codex, Copilot, Gemini, Windsurf, Cline, dan lainnya.
AGENTS.md + aturan terpadu melalui symlink: Menulis AGENTS.md di root repositori dan symlink CLAUDE.md ke sana, ditambah symlink .claude → .agents, memastikan alat yang berbeda membaca satu set instruksi yang konsisten.
Kemampuan melanjutkan asli Git dengan .dwp/: Menyimpan rencana/draf dalam folder .dwp/ yang diabaikan git dan mengandalkan status git daripada layanan eksternal, memungkinkan pemulihan setelah luapan konteks dan serah terima yang mudah antar sesi atau agen.
Pemeriksaan kesesuaian objektif: Termasuk perintah verifikasi yang menghasilkan kesesuaian lulus/gagal terhadap spesifikasi, membuat kesiapan repositori "AI-first" dapat diukur dan diperiksa ulang dari waktu ke waktu.
Kasus Penggunaan Deep Work Plan
Refaktor besar dalam tim rekayasa SaaS: Merencanakan dan melaksanakan refaktor multi-file (misalnya, pembersihan arsitektur, batas modul, peningkatan dependensi) dengan kriteria penerimaan dan langkah-langkah validasi agar pekerjaan tetap koheren selama berjam-jam/berhari-hari.
Migrasi kerangka kerja atau platform: Menjalankan migrasi berjangka panjang (misalnya, perubahan sistem build, peningkatan versi API, pergeseran monolit-ke-modular) dengan status yang dapat dilanjutkan dan perintah yang berasal dari repositori untuk verifikasi yang dapat diulang.
Orientasi AI-first untuk repositori baru atau yang diwarisi: Menstandarisasi dokumentasi, perintah, dan aturan agen dengan menghasilkan AGENTS.md dan docs/ yang dikategorikan dari basis kode aktual, meningkatkan pemeliharaan untuk tim baru atau akuisisi.
Mengatur pekerjaan di seluruh program multi-repositori: Menggunakan arketipe "pusat orkestrator" untuk mengoordinasikan rencana anak di beberapa repositori, menjaga batas, navigasi, dan verifikasi tetap konsisten dalam ekosistem produk yang kompleks.
Lingkungan pengembangan yang diatur atau sensitif privasi: Mengadopsi alur kerja yang dibantu agen tanpa telemetri atau akun eksternal dengan menjaga rencana dan status eksekusi tetap lokal dan asli git—berguna untuk keuangan, perawatan kesehatan, atau basis kode perusahaan internal.
Kelebihan
Agnostik agen dan portabel: bekerja di banyak agen/alat pengkodean menggunakan Markdown sebagai antarmuka umum.
Mengurangi penyimpangan berjangka panjang: kriteria penerimaan dan gerbang validasi yang eksplisit menjaga pekerjaan multi-jam dapat diverifikasi.
Asli Git dan dapat dilanjutkan: tidak ada status eksternal, memungkinkan pemulihan setelah luapan konteks dan serah terima yang mudah.
Orientasi beradaptasi dengan repositori aktual: menghasilkan perintah/dokumen berdasarkan manifes dan CI nyata daripada templat.
Kekurangan
Paling cocok untuk pekerjaan yang lebih panjang dan terstruktur: mungkin terasa berat untuk pengeditan cepat satu kali atau repositori yang sangat kecil.
Kualitas tergantung pada kebersihan repositori: pengujian/CI yang tidak jelas atau manifes yang hilang dapat membatasi seberapa baik orientasi menyimpulkan perintah validasi.
Membutuhkan adopsi proses: tim harus berkomitmen pada disiplin spesifikasi/rencana untuk sepenuhnya mewujudkan manfaat pengurangan penyimpangan.
Cara Menggunakan Deep Work Plan
1) Pilih repositori target dan tugas berjangka panjang: Pilih repo yang ingin Anda jadikan 'AI-first' dan tugas yang biasanya menyebabkan penyimpangan agen (migrasi, subsistem baru, refaktor multi-file). Pastikan repo bersih (komit atau simpan perubahan lokal) sehingga onboarding Deep Work Plan dapat dikomit secara atomik.
2) Mulai onboarding dengan mengarahkan agen pengkodean Anda ke /init.md: Di agen Anda (Claude Code, Cursor, Codex, Copilot, Gemini, dll.), berikan satu instruksi untuk membuka dan mengikuti prompt onboarding di https://deepworkplan.com/init.md. Ini adalah titik masuk yang memberi tahu agen metodologi apa yang harus diadopsi dan artefak apa yang harus dihasilkan.
3) Biarkan agen memahami tumpukan Anda (tanpa templat): Agen memeriksa manifes nyata repositori Anda, tata letak folder, dan CI untuk menyimpulkan bahasa/kerangka kerja, manajer paket, dan perintah validasi aktual (uji/lint/bangun). Ini juga mengklasifikasikan repo sebagai repositori individual atau hub orkestrator.
4) Hasilkan dan komit AGENTS.md sebagai sumber kebenaran yang tahan lama: Agen menulis AGENTS.md di root repo, diisi dengan perintah dan konvensi nyata repo Anda (bukan placeholder). Jika CLAUDE.md digunakan oleh alat Anda, itu di-symlink ke AGENTS.md sehingga ada satu set instruksi kanonik.
5) Hasilkan docs/ yang dikategorikan dan dokumentasi per-modul: Agen membuat hierarki docs/ (pengaturan, arsitektur, standar, pemecahan masalah) dan membuat README/docs per-modul jika sesuai (terutama di monorepo). Dokumentasi ini berasal dari basis kode Anda dan realitas build/CI.
6) Buat kit .agents/ lintas-agen: Agen membuat direktori .agents/ (keterampilan, agen, perintah) dan menambahkan symlink .claude → .agents sehingga beberapa alat agen dapat membaca kit operasional yang sama. Ini membuat repo portabel di seluruh agen.
7) Instal paket keterampilan Deep Work Plan dan buat status .dwp/: Agen menginstal paket keterampilan DWP (buat, eksekusi, perbaiki, lanjutkan, status, verifikasi, onboard, penulis) dan membuat folder .dwp/ yang diabaikan git untuk rencana dan draf. Ide utamanya adalah kemampuan melanjutkan secara Git-native tanpa status eksternal.
8) Verifikasi kesesuaian dengan /dwp-verify: Jalankan perintah verifikasi (/dwp-verify) untuk menghasilkan laporan lulus/gagal objektif terhadap spesifikasi Deep Work Plan. Perbaiki kegagalan apa pun hingga repo dapat diverifikasi ulang sebagai 'AI-first'.
9) Buat Deep Work Plan untuk tugas Anda (berbasis spesifikasi): Gunakan alur pembuatan DWP (misalnya, /dwp-create) untuk menghasilkan rencana yang mencakup kriteria penerimaan eksplisit dan gerbang validasi (perintah uji/lint/bangun). Rencana harus ditulis sehingga agen mana pun dapat mengeksekusinya dan kemajuan dapat diperiksa.
10) Jalankan rencana langkah demi langkah dengan gerbang validasi: Jalankan alur eksekusi (misalnya, /dwp-execute). Agen mengikuti rencana, mengimplementasikan perubahan di seluruh file, dan menjalankan perintah validasi yang ditentukan di gerbang yang ditentukan. Ini mengurangi penyimpangan dan menjaga pekerjaan dapat diverifikasi.
11) Lacak kemajuan dan sesuaikan saat realitas berubah: Gunakan alur status dan penyempurnaan (misalnya, /dwp-status, /dwp-refine) untuk memperbarui rencana saat informasi baru muncul. Jaga kriteria penerimaan dan gerbang tetap terkini sehingga rencana tetap menjadi sumber kebenaran yang tahan lama.
12) Lanjutkan dengan andal di seluruh sesi (bahkan setelah luapan konteks): Jika agen berhenti di tengah tugas atau konteks meluap, gunakan alur lanjutkan (misalnya, /dwp-resume). Karena rencana/draf berada di folder .dwp/ yang diabaikan git dan repo berisi harness (AGENTS.md, docs, .agents/), agen yang kompatibel dapat melanjutkan dari tempat yang terakhir ditinggalkan.
13) (Opsional) Gunakan alat penulis untuk memperluas harness: Jika Anda memerlukan otomatisasi khusus repo, gunakan sub-keterampilan penulis (skill-create, agent-create) untuk menambahkan keterampilan/agen/perintah baru di bawah .agents/. Ini memungkinkan repositori mengembangkan prosedur berulang sendiri seiring waktu.
14) (Opsional) Alur kerja hub orkestrator untuk program multi-repo: Jika onboarding mengklasifikasikan repo Anda sebagai hub orkestrator, gunakan manifes/indeks hub untuk membuat Deep Work Plan anak di setiap sub-repositori. Setiap rencana anak berkomit di repo-nya sendiri, sementara hub mengoordinasikan batasan dan navigasi.
FAQ Deep Work Plan
Deep Work Plan adalah metodologi dan paket keterampilan berlisensi MIT, agnostik agen, yang mengubah repositori kode menjadi "harness" terstruktur (konteks, batasan, dan rencana yang tahan lama) sehingga agen pengkodean AI dapat mengeksekusi pekerjaan berjangka panjang dengan andal menggunakan pengembangan berbasis spesifikasi, kriteria penerimaan eksplisit, dan gerbang validasi.
Artikel Populer
Atoms: Platform AI Multi-Agen yang Mengubah Ide menjadi Produk Siap Diluncurkan
May 22, 2026
Nano Banana SBTI: Apa Itu, Bagaimana Cara Kerjanya, dan Cara Menggunakannya di Tahun 2026
Apr 15, 2026
Ulasan Atoms — Pembuat Produk AI yang Mendefinisikan Ulang Kreasi Digital di Tahun 2026
Apr 10, 2026
Kilo Claw: Cara Menerapkan dan Menggunakan Agen AI "Lakukan-Untuk-Anda" Sejati (Pembaruan 2026)
Apr 3, 2026
Alat AI Terbaru Serupa dengan Deep Work Plan
Gait
Gait adalah alat kolaborasi yang mengintegrasikan generasi kode yang dibantu AI dengan kontrol versi, memungkinkan tim untuk melacak, memahami, dan membagikan konteks kode yang dihasilkan AI dengan efisien.
invoices.dev
invoices.dev adalah platform penagihan otomatis yang menghasilkan faktur langsung dari komit Git pengembang, dengan kemampuan integrasi untuk layanan GitHub, Slack, Linear, dan Google.
EasyRFP
EasyRFP adalah toolkit komputasi tepi yang didukung AI yang memperlancar respons RFP (Permintaan Proposal) dan memungkinkan fenotip lapangan waktu nyata melalui teknologi pembelajaran mendalam.
Cart.ai
Cart.ai adalah platform layanan bertenaga AI yang menyediakan solusi otomatisasi bisnis yang komprehensif termasuk pengkodean, manajemen hubungan pelanggan, pengeditan video, pengaturan e-commerce, dan pengembangan AI kustom dengan dukungan 24/7.
Alat AI Populer Seperti Deep Work Plan
GitHub Copilot Chat
GitHub Copilot Chat adalah asisten pengkodean bertenaga AI yang menyediakan interaksi bahasa alami, saran kode waktu nyata, dan dukungan kontekstual langsung di dalam IDE yang didukung dan GitHub.com.
CopilotForXcode
CopilotForXcode adalah Ekstensi Editor Sumber Xcode yang mengintegrasikan GitHub Copilot, Codeium, dan ChatGPT untuk memberikan saran kode yang didukung AI, bantuan obrolan, dan fungsionalitas prompt-to-code di dalam Xcode.
BrowserAI
BrowserAI adalah pustaka sumber terbuka yang memungkinkan menjalankan Model Bahasa Besar (LLM) lokal langsung di browser web dengan akselerasi WebGPU, menawarkan kemampuan AI yang berfokus pada privasi tanpa memerlukan infrastruktur server.
OpenAI Codex CLI
OpenAI Codex CLI adalah agen pengkodean sumber terbuka ringan yang berjalan di terminal Anda, memungkinkan pengembang untuk menerjemahkan bahasa alami ke dalam eksekusi kode sambil memberikan penalaran tingkat ChatGPT dengan kemampuan untuk menjalankan kode, memanipulasi file, dan melakukan iterasi di bawah kontrol versi.