Deep Work Plan
Deep Work Plan — это методология, управляемая спецификациями, с лицензией MIT, не зависящая от агентов, которая превращает любой репозиторий в надежную «основу агента» (контекст, ограничения и возобновляемые планы), чтобы агенты кодирования могли надежно выполнять долгосрочную работу с явными критериями приемки и шлюзами валидации.
https://deepworkplan.com/?ref=producthunt&utm_source=aipure
Информация о продукте
Обновлено:18/06/2026
Что такое Deep Work Plan
Deep Work Plan — это структурированная среда выполнения для агентов ИИ-кодирования, разработанная для предотвращения «дрейфа» при многочасовых или многодневных инженерных работах, таких как миграции, рефакторинг множества файлов или создание новых подсистем. Вместо того чтобы полагаться на краткосрочное контекстное окно агента, он делает сам репозиторий источником истины, устанавливая набор стандартизированных, проверяемых артефактов Markdown (например, AGENTS.md, docs/ и комплект .agents/) плюс рабочую область планирования, нативную для Git (.dwp/). Результатом является переносимый, повторяемый способ для команд запускать разработку, управляемую спецификациями, где любой агент может взять на себя работу, следовать одним и тем же ограничениям и производить проверяемые результаты.
Ключевые особенности Deep Work Plan
Deep Work Plan — это методология и набор навыков с лицензией MIT, не зависящие от агентов, которые превращают любой репозиторий кода в структурированную «оснастку» для долгосрочной работы по кодированию ИИ. Он устанавливает артефакты планирования и выполнения, специфичные для репозитория (например, AGENTS.md, категоризированное дерево docs/, кросс-агентский набор .agents/ и игнорируемое git-ом рабочее пространство .dwp/), чтобы агенты могли выполнять многочасовые задачи с явными критериями приемки и шлюзами валидации, уменьшать отклонения и надежно возобновлять работу после превышения лимитов контекста — без внешних демонов, учетных записей или телеметрии.
Онбординг «репозиторий как оснастка»: Проверяет реальный стек репозитория (языки, фреймворки, манифесты, CI) и генерирует адаптированные артефакты — рассматривая общие заполнители как ошибку — так что сам репозиторий становится надежной средой выполнения для агентов.
Deep Work Plans, управляемые спецификациями, со шлюзами валидации: Создает возобновляемые планы с явными критериями приемки и этапами верификации, сохраняя долгосрочную работу проверяемой и предотвращая отклонения в процессе выполнения по множеству файлов и решений.
Агент-независимый рабочий процесс, ориентированный на Markdown: Использует Markdown и простые процедуры, чтобы несколько агентов/инструментов могли следовать одному источнику истины; адаптеры поддерживают Claude Code, Cursor, Codex, Copilot, Gemini, Windsurf, Cline и другие.
AGENTS.md + унифицированные правила через символические ссылки: Записывает AGENTS.md в корне репозитория и создает символическую ссылку CLAUDE.md на него, а также символическую ссылку .claude → .agents, обеспечивая, чтобы различные инструменты читали один согласованный набор инструкций.
Git-нативная возобновляемость с .dwp/: Хранит планы/черновики в игнорируемой git-ом папке .dwp/ и полагается на состояние git, а не на внешние службы, что позволяет восстанавливаться после переполнения контекста и легко передавать работу между сессиями или агентами.
Проверки соответствия целям: Включает команду верификации, которая выдает результат соответствия спецификации (пройдено/не пройдено), делая готовность репозитория к «AI-первому» подходу измеримой и перепроверяемой со временем.
Варианты использования Deep Work Plan
Крупные рефакторинги в командах разработки SaaS: Планирование и выполнение рефакторингов нескольких файлов (например, очистка архитектуры, границы модулей, обновление зависимостей) с критериями приемки и этапами валидации, чтобы работа оставалась согласованной в течение нескольких часов/дней.
Миграции фреймворков или платформ: Выполнение долгосрочных миграций (например, изменения системы сборки, обновления версий API, переход от монолита к модульной архитектуре) с возможностью возобновления состояния и командами, полученными из репозитория, для повторяемой верификации.
AI-ориентированный онбординг для новых или унаследованных репозиториев: Стандартизация документации, команд и правил агентов путем генерации AGENTS.md и категоризированных docs/ из фактической кодовой базы, улучшение поддерживаемости для новых команд или приобретений.
Оркестрация работы в программах с несколькими репозиториями: Использование архетипа «центра оркестрации» для координации дочерних планов в нескольких репозиториях, поддержание согласованности границ, навигации и верификации в сложных продуктовых экосистемах.
Регулируемые или чувствительные к конфиденциальности среды разработки: Принятие рабочих процессов с помощью агентов без внешней телеметрии или учетных записей путем сохранения планов и состояния выполнения локально и в git-формате — полезно для финансовых, медицинских или внутренних корпоративных кодовых баз.
Преимущества
Агент-независимый и портативный: работает со многими агентами/инструментами кодирования, используя Markdown в качестве общего интерфейса.
Уменьшает долгосрочные отклонения: явные критерии приемки и шлюзы валидации делают многочасовую работу проверяемой.
Git-нативный и возобновляемый: отсутствие внешнего состояния, что позволяет восстанавливаться после переполнения контекста и легко передавать работу.
Онбординг адаптируется к фактическому репозиторию: генерирует команды/документы на основе реальных манифестов и CI, а не шаблонов.
Недостатки
Лучше всего подходит для более длительной, структурированной работы: может показаться избыточным для быстрых одноразовых правок или очень маленьких репозиториев.
Качество зависит от чистоты репозитория: неясные тесты/CI или отсутствующие манифесты могут ограничить, насколько хорошо онбординг выводит команды валидации.
Требует принятия процесса: команды должны придерживаться дисциплины спецификаций/планов, чтобы полностью реализовать преимущества снижения отклонений.
Как использовать Deep Work Plan
1) Выберите целевой репозиторий и долгосрочную задачу: Выберите репозиторий, который вы хотите сделать «AI-first», и задачу, которая обычно вызывает дрейф агента (миграция, новая подсистема, рефакторинг нескольких файлов). Убедитесь, что репозиторий чист (зафиксируйте или отложите локальные изменения), чтобы процесс адаптации Deep Work Plan мог быть зафиксирован атомарно.
2) Начните адаптацию, направив своего агента кодирования на /init.md: В вашем агенте (Claude Code, Cursor, Codex, Copilot, Gemini и т. д.) дайте одну инструкцию открыть и следовать подсказке адаптации по адресу https://deepworkplan.com/init.md. Это точка входа, которая сообщает агенту, какую методологию принять и какие артефакты генерировать.
3) Позвольте агенту проанализировать ваш стек (без шаблонов): Агент проверяет реальные манифесты вашего репозитория, структуру папок и CI, чтобы определить языки/фреймворки, менеджер пакетов и фактические команды валидации (тест/линтер/сборка). Он также классифицирует репозиторий как индивидуальный репозиторий или как центр оркестрации.
4) Сгенерируйте и зафиксируйте AGENTS.md как надежный источник истины: Агент записывает AGENTS.md в корне репозитория, заполненный реальными командами и соглашениями вашего репозитория (не заполнителями). Если CLAUDE.md используется вашими инструментами, он символически связан с AGENTS.md, так что существует один канонический набор инструкций.
5) Сгенерируйте категоризированные docs/ и документацию по модулям: Агент создает иерархию docs/ (настройка, архитектура, стандарты, устранение неполадок) и создает README/документацию по модулям, где это уместно (особенно в монорепозиториях). Эта документация получена из вашей кодовой базы и реальных условий сборки/CI.
6) Создайте кросс-агентный комплект .agents/: Агент создает каталог .agents/ (навыки, агенты, команды) и добавляет символическую ссылку .claude → .agents, чтобы несколько инструментов агентов могли читать один и тот же операционный комплект. Это делает репозиторий переносимым между агентами.
7) Установите пакет навыков Deep Work Plan и создайте состояние .dwp/: Агент устанавливает пакет навыков DWP (создание, выполнение, уточнение, возобновление, статус, проверка, адаптация, авторство) и создает игнорируемую Git папку .dwp/ для планов и черновиков. Ключевая идея — возобновляемость, нативная для Git, без внешнего состояния.
8) Проверьте соответствие с /dwp-verify: Выполните команду проверки (/dwp-verify), чтобы получить объективный отчет о прохождении/непрохождении в соответствии со спецификацией Deep Work Plan. Исправьте все ошибки, пока репозиторий не будет повторно проверен как «AI-first».
9) Создайте Deep Work Plan для вашей задачи (управляемую спецификациями): Используйте поток создания DWP (например, /dwp-create) для генерации плана, который включает явные критерии приемки и шлюзы валидации (команды тестирования/линтера/сборки). План должен быть написан так, чтобы любой агент мог его выполнить, а прогресс был проверяемым.
10) Выполняйте план шаг за шагом с шлюзами валидации: Запустите поток выполнения (например, /dwp-execute). Агент следует плану, реализует изменения в файлах и выполняет указанные команды валидации на определенных шлюзах. Это уменьшает дрейф и делает работу проверяемой.
11) Отслеживайте прогресс и корректируйте, когда реальность меняется: Используйте потоки статуса и уточнения (например, /dwp-status, /dwp-refine) для обновления плана при появлении новой информации. Поддерживайте актуальность критериев приемки и шлюзов, чтобы план оставался надежным источником истины.
12) Надежно возобновляйте работу между сессиями (даже после переполнения контекста): Если агент останавливается посреди задачи или контекст переполняется, используйте поток возобновления (например, /dwp-resume). Поскольку планы/черновики находятся в игнорируемой Git папке .dwp/, а репозиторий содержит основу (AGENTS.md, docs, .agents/), любой совместимый агент может продолжить работу с того места, где остановился предыдущий.
13) (Необязательно) Используйте инструменты автора для расширения основы: Если вам нужна автоматизация, специфичная для репозитория, используйте поднавык автора (skill-create, agent-create) для добавления новых навыков/агентов/команд в .agents/. Это позволяет репозиторию со временем развивать свои собственные повторяемые процедуры.
14) (Необязательно) Рабочий процесс центра оркестрации для многорепозиторных программ: Если адаптация классифицировала ваш репозиторий как центр оркестрации, используйте манифест/индекс центра для создания дочерних Deep Work Plans в каждом подрепозитории. Каждый дочерний план фиксируется в своем собственном репозитории, в то время как центр координирует границы и навигацию.
Часто задаваемые вопросы о Deep Work Plan
Deep Work Plan — это методология и набор навыков с лицензией MIT, не зависящие от агентов, которые превращают репозиторий кода в структурированную «обвязку» (контекст, ограждения и долгосрочный план), чтобы агенты ИИ-кодирования могли надежно выполнять долгосрочную работу, используя разработку на основе спецификаций, явные критерии приемки и шлюзы валидации.
Популярные статьи
Atoms: Мультиагентная ИИ-платформа, которая превращает идеи в готовые к запуску продукты
May 22, 2026
Nano Banana SBTI: Что это такое, как это работает и как это использовать в 2026 году
Apr 15, 2026
Обзор Atoms — AI Product Builder, переопределяющий цифровое творчество в 2026 году
Apr 10, 2026
Kilo Claw: Как развернуть и использовать настоящего AI-агента "Сделай-Это-За-Вас" (Обновление 2026)
Apr 3, 2026
Последние ИИ-инструменты, похожие на Deep Work Plan
Gait
Gait — это инструмент для сотрудничества, который интегрирует генерацию кода с поддержкой ИИ с системой контроля версий, позволяя командам эффективно отслеживать, понимать и делиться контекстом кода, сгенерированного ИИ.
invoices.dev
invoices.dev - это автоматизированная платформа для выставления счетов, которая генерирует счета напрямую из коммитов Git разработчиков, с возможностями интеграции с GitHub, Slack, Linear и Google-услугами.
EasyRFP
EasyRFP — это ИИ-технология для вычислений на краю, которая упрощает ответы на RFP (запросы предложений) и позволяет проводить реальное время полевой фенотипизации с использованием технологий глубокого обучения.
Cart.ai
Cart.ai — это платформа на основе ИИ, предоставляющая комплексные решения для автоматизации бизнеса, включая программирование, управление отношениями с клиентами, редактирование видео, настройку электронной коммерции и разработку пользовательских решений на основе ИИ с поддержкой 24/7.
Популярные ИИ-инструменты, похожие на Deep Work Plan
GitHub Copilot Chat
GitHub Copilot Chat — это помощник по кодированию на базе искусственного интеллекта, который обеспечивает взаимодействия на естественном языке, реальные предложения кода и контекстную поддержку непосредственно в поддерживаемых IDE и на GitHub.com.
CopilotForXcode
CopilotForXcode — это расширение редактора исходного кода Xcode, которое интегрирует GitHub Copilot, Codeium и ChatGPT для предоставления предложений по коду на основе искусственного интеллекта, чат-помощи и функциональности prompt-to-code в Xcode.
BrowserAI
BrowserAI — это библиотека с открытым исходным кодом, которая позволяет запускать локальные большие языковые модели (LLM) непосредственно в веб-браузерах с ускорением WebGPU, предлагая возможности ИИ, ориентированные на конфиденциальность, без необходимости в серверной инфраструктуре.
OpenAI Codex CLI
OpenAI Codex CLI - это легкий агент для кодирования с открытым исходным кодом, который работает в вашем терминале, позволяя разработчикам переводить естественный язык в выполнение кода, обеспечивая при этом рассуждения на уровне ChatGPT с возможностью запуска кода, манипулирования файлами и итерации под контролем версий.