Deep Work Plan
Deep Work Plan è una metodologia con licenza MIT, agnostica rispetto all'agente e basata su specifiche, che trasforma qualsiasi repository in una "imbracatura per agenti" duratura (contesto, guardrail e piani ripristinabili) in modo che gli agenti di codifica possano eseguire lavori a lungo termine in modo affidabile con criteri di accettazione espliciti e gate di convalida.
https://deepworkplan.com/?ref=producthunt&utm_source=aipure
Informazioni sul Prodotto
Aggiornato:Jun 18, 2026
Cos'è Deep Work Plan
Deep Work Plan è un framework di esecuzione strutturato per agenti di codifica AI progettato per prevenire il "drift" in attività di ingegneria che durano molte ore o giorni, come migrazioni, refactoring su molti file o la costruzione di nuovi sottosistemi. Invece di affidarsi alla finestra di contesto a breve termine di un agente, rende il repository stesso la fonte di verità installando un set di artefatti Markdown standardizzati e verificabili (ad esempio, AGENTS.md, docs/ e un kit .agents/) più uno spazio di lavoro di pianificazione nativo di Git (.dwp/). Il risultato è un modo portatile e ripetibile per i team di eseguire uno sviluppo basato su specifiche in cui qualsiasi agente può riprendere il lavoro, seguire gli stessi guardrail e produrre risultati verificabili.
Caratteristiche principali di Deep Work Plan
Deep Work Plan è una metodologia e un pacchetto di competenze con licenza MIT, agnostico rispetto all'agente, che trasforma qualsiasi repository di codice in un "imbracatura" strutturata per il lavoro di codifica AI a lungo termine. Installa artefatti di pianificazione ed esecuzione nativi del repository (ad esempio, AGENTS.md, un albero docs/ categorizzato, un kit .agents/ cross-agente e un'area di lavoro .dwp/ ignorata da git) in modo che gli agenti possano eseguire attività di più ore con criteri di accettazione espliciti e gate di convalida, ridurre la deriva e riprendere in modo affidabile dopo i limiti di contesto, senza demoni esterni, account o telemetria.
Onboarding Repository-as-harness: Ispeziona lo stack reale del repository (linguaggi, framework, manifest, CI) e genera artefatti adattati, trattando i segnaposto generici come fallimenti, in modo che il repository stesso diventi un ambiente di esecuzione duraturo per gli agenti.
Piani di lavoro approfonditi basati su specifiche con gate di convalida: Crea piani ripristinabili con criteri di accettazione espliciti e passaggi di verifica, mantenendo il lavoro a lungo termine verificabile e prevenendo la deriva a metà esecuzione tra molti file e decisioni.
Flusso di lavoro agnostico rispetto all'agente, Markdown-first: Utilizza Markdown e semplici procedure in modo che più agenti/strumenti possano seguire la stessa fonte di verità; gli adattatori supportano Claude Code, Cursor, Codex, Copilot, Gemini, Windsurf, Cline e altro ancora.
AGENTS.md + regole unificate tramite symlink: Scrive AGENTS.md nella root del repository e vi collega CLAUDE.md tramite symlink, oltre a un symlink .claude → .agents, garantendo che diversi strumenti leggano un set di istruzioni coerente.
Ripristinabilità nativa di Git con .dwp/: Memorizza piani/bozze in una cartella .dwp/ ignorata da git e si basa sullo stato di git anziché su servizi esterni, consentendo il recupero dopo l'overflow del contesto e un facile passaggio tra sessioni o agenti.
Controlli di conformità oggettivi: Include un comando di verifica che produce la conformità pass/fail rispetto alla specifica, rendendo la prontezza del repository "AI-first" misurabile e ricontrollabile nel tempo.
Casi d'uso di Deep Work Plan
Grandi refactoring nei team di ingegneria SaaS: Pianifica ed esegui refactoring multi-file (ad esempio, pulizia dell'architettura, confini dei moduli, aggiornamenti delle dipendenze) con criteri di accettazione e passaggi di convalida in modo che il lavoro rimanga coerente per ore/giorni.
Migrazioni di framework o piattaforme: Esegui migrazioni a lungo termine (ad esempio, modifiche al sistema di build, aggiornamenti della versione API, passaggi da monolite a modulare) con stato ripristinabile e comandi derivati dal repository per una verifica ripetibile.
Onboarding AI-first per repository nuovi o ereditati: Standardizza la documentazione, i comandi e le regole degli agenti generando AGENTS.md e docs/ categorizzati dalla codebase effettiva, migliorando la manutenibilità per i nuovi team o acquisizioni.
Orchestrazione del lavoro tra programmi multi-repository: Utilizza l'archetipo "hub orchestratore" per coordinare i piani figlio tra più repository, mantenendo coerenti i confini, la navigazione e la verifica in ecosistemi di prodotti complessi.
Ambienti di sviluppo regolamentati o sensibili alla privacy: Adotta flussi di lavoro assistiti da agenti senza telemetria o account esterni mantenendo i piani e lo stato di esecuzione locali e nativi di git, utile per codebase finanziarie, sanitarie o aziendali interne.
Vantaggi
Agnostico rispetto all'agente e portatile: funziona con molti agenti/strumenti di codifica utilizzando Markdown come interfaccia comune.
Riduce la deriva a lungo termine: criteri di accettazione espliciti e gate di convalida mantengono verificabile il lavoro di più ore.
Nativo di Git e ripristinabile: nessun stato esterno, consentendo il recupero dopo overflow di contesto e facili passaggi di consegne.
L'onboarding si adatta al repository effettivo: genera comandi/documenti basati su manifest reali e CI anziché su modelli.
Svantaggi
Più adatto a lavori più lunghi e strutturati: potrebbe sembrare pesante per modifiche rapide una tantum o repository molto piccoli.
La qualità dipende dall'igiene del repository: test/CI poco chiari o manifest mancanti possono limitare l'efficacia con cui l'onboarding inferisce i comandi di convalida.
Richiede l'adozione del processo: i team devono impegnarsi nella disciplina delle specifiche/piani per realizzare pienamente i benefici della riduzione della deriva.
Come usare Deep Work Plan
1) Scegli un repository di destinazione e un'attività a lungo termine: Scegli il repository che vuoi rendere "AI-first" e un'attività che tipicamente causa il "drift" dell'agente (migrazione, nuovo sottosistema, refactoring multi-file). Assicurati che il repository sia pulito (commit o stash delle modifiche locali) in modo che l'onboarding di Deep Work Plan possa essere commesso atomicamente.
2) Inizia l'onboarding puntando il tuo agente di codifica a /init.md: Nel tuo agente (Claude Code, Cursor, Codex, Copilot, Gemini, ecc.), dai una singola istruzione per aprire e seguire il prompt di onboarding all'indirizzo https://deepworkplan.com/init.md. Questo è il punto di ingresso che dice all'agente quale metodologia adottare e quali artefatti generare.
3) Lascia che l'agente ragioni sul tuo stack (senza template): L'agente ispeziona i manifesti reali del tuo repository, il layout delle cartelle e il CI per inferire linguaggi/framework, gestore di pacchetti e i comandi di convalida effettivi (test/lint/build). Classifica anche il repository come repository individuale o come hub orchestratore.
4) Genera e committa AGENTS.md come fonte di verità duratura: L'agente scrive AGENTS.md nella root del repository, popolato con i comandi e le convenzioni reali del tuo repository (non segnaposto). Se CLAUDE.md è utilizzato dai tuoi strumenti, viene collegato simbolicamente ad AGENTS.md in modo che ci sia un set di istruzioni canonico.
5) Genera docs/ categorizzati e documentazione per modulo: L'agente crea una gerarchia docs/ (setup, architettura, standard, risoluzione dei problemi) e crea README/docs per modulo dove appropriato (specialmente nei monorepo). Questa documentazione è derivata dalla tua codebase e dalla realtà di build/CI.
6) Crea lo scheletro del kit .agents/ cross-agente: L'agente crea una directory .agents/ (skills, agents, commands) e aggiunge il symlink .claude → .agents in modo che più strumenti agente possano leggere lo stesso kit operativo. Questo rende il repository portabile tra gli agenti.
7) Installa il pacchetto di skill Deep Work Plan e crea lo stato .dwp/: L'agente installa il pacchetto di skill DWP (create, execute, refine, resume, status, verify, onboard, author) e crea una cartella .dwp/ ignorata da Git per piani e bozze. L'idea chiave è la ripristinabilità nativa di Git senza stato esterno.
8) Verifica la conformità con /dwp-verify: Esegui il comando di verifica (/dwp-verify) per produrre un rapporto oggettivo di successo/fallimento rispetto alla specifica Deep Work Plan. Correggi eventuali errori finché il repository non è nuovamente verificabilmente "AI-first".
9) Crea un Deep Work Plan per la tua attività (basato su specifiche): Usa il flusso di creazione DWP (ad esempio, /dwp-create) per generare un piano che includa criteri di accettazione espliciti e gate di convalida (comandi di test/lint/build). Il piano dovrebbe essere scritto in modo che qualsiasi agente possa eseguirlo e in modo che il progresso sia verificabile.
10) Esegui il piano passo dopo passo con i gate di convalida: Esegui il flusso di esecuzione (ad esempio, /dwp-execute). L'agente segue il piano, implementa le modifiche tra i file ed esegue i comandi di convalida specificati ai gate definiti. Questo riduce il "drift" e mantiene il lavoro verificabile.
11) Tieni traccia dei progressi e adatta quando la realtà cambia: Usa i flussi di stato e perfezionamento (ad esempio, /dwp-status, /dwp-refine) per aggiornare il piano quando appaiono nuove informazioni. Mantieni i criteri di accettazione e i gate aggiornati in modo che il piano rimanga la fonte di verità duratura.
12) Riprendi in modo affidabile tra le sessioni (anche dopo l'overflow del contesto): Se l'agente si ferma a metà attività o il contesto si sovraccarica, usa il flusso di ripristino (ad esempio, /dwp-resume). Poiché i piani/bozze si trovano nella cartella .dwp/ ignorata da Git e il repository contiene l'imbracatura (AGENTS.md, docs, .agents/), qualsiasi agente compatibile può riprendere da dove l'ultimo aveva interrotto.
13) (Opzionale) Usa gli strumenti dell'autore per estendere l'imbracatura: Se hai bisogno di automazione specifica del repository, usa la sotto-skill dell'autore (skill-create, agent-create) per aggiungere nuove skill/agenti/comandi sotto .agents/. Questo permette al repository di evolvere le proprie procedure ripetibili nel tempo.
14) (Opzionale) Workflow dell'hub orchestratore per programmi multi-repository: Se l'onboarding ha classificato il tuo repository come hub orchestratore, usa il manifesto/indice dell'hub per generare Deep Work Plan figli in ogni sotto-repository. Ogni piano figlio commette nel proprio repository, mentre l'hub coordina i confini e la navigazione.
FAQ di Deep Work Plan
Deep Work Plan è una metodologia e un pacchetto di competenze con licenza MIT, agnostico rispetto all'agente, che trasforma un repository di codice in un "imbracatura" strutturata (contesto, guardrail e un piano duraturo) in modo che gli agenti di codifica AI possano eseguire lavori a lungo termine in modo affidabile utilizzando lo sviluppo basato su specifiche, criteri di accettazione espliciti e gate di convalida.
Articoli Popolari
Atoms: Una Piattaforma AI Multi-Agente Che Trasforma le Idee in Prodotti Pronti al Lancio
May 22, 2026
Nano Banana SBTI: Cos'è, come funziona e come usarlo nel 2026
Apr 15, 2026
Recensione di Atoms — Il builder di prodotti AI che ridefinisce la creazione digitale nel 2026
Apr 10, 2026
Kilo Claw: Come Distribuire e Utilizzare un Vero Agente AI "Fai-da-Te" (Aggiornamento 2026)
Apr 3, 2026
Ultimi Strumenti AI Simili a Deep Work Plan
Gait
Gait è uno strumento di collaborazione che integra la generazione di codice assistita dall'IA con il controllo delle versioni, consentendo ai team di tracciare, comprendere e condividere il contesto del codice generato dall'IA in modo efficiente.
invoices.dev
invoices.dev è una piattaforma di fatturazione automatizzata che genera fatture direttamente dai commit Git dei programmatori, con capacità di integrazione per i servizi GitHub, Slack, Linear e Google.
EasyRFP
EasyRFP è un toolkit di edge computing alimentato da AI che semplifica le risposte alle RFP (Richiesta di Proposta) e consente la fenotipizzazione sul campo in tempo reale attraverso la tecnologia di deep learning.
Cart.ai
Cart.ai è una piattaforma di servizi alimentata dall'IA che fornisce soluzioni complete di automazione aziendale, tra cui codifica, gestione delle relazioni con i clienti, editing video, configurazione e-commerce e sviluppo di AI personalizzata con supporto 24/7.
Strumenti AI Popolari Come Deep Work Plan
GitHub Copilot Chat
GitHub Copilot Chat è un assistente di codifica alimentato dall'IA che fornisce interazioni in linguaggio naturale, suggerimenti di codice in tempo reale e supporto contestuale direttamente all'interno degli IDE supportati e di GitHub.com.
CopilotForXcode
CopilotForXcode è un'estensione dell'Editor di Codice Xcode che integra GitHub Copilot, Codeium e ChatGPT per fornire suggerimenti di codice alimentati dall'IA, assistenza in chat e funzionalità di prompt-to-code all'interno di Xcode.
BrowserAI
BrowserAI è una libreria open source che consente l'esecuzione di modelli linguistici di grandi dimensioni (LLM) locali direttamente nei browser web con accelerazione WebGPU, offrendo funzionalità di intelligenza artificiale incentrate sulla privacy senza richiedere infrastrutture server.
OpenAI Codex CLI
OpenAI Codex CLI è un agente di codifica open-source leggero che viene eseguito nel tuo terminale, consentendo agli sviluppatori di tradurre il linguaggio naturale in esecuzione di codice fornendo al contempo un ragionamento a livello di ChatGPT con la capacità di eseguire codice, manipolare file e iterare sotto controllo di versione.