AI 編碼代理跑長任務, 最大的問題往往不是模型不夠強, 而是做到一半就跑偏——上下文被沖掉, 計劃斷掉, 最後交付的東西和最初設想對不上。Deep Work Plan 想解決的正是這件事。它不是又一個聊天視窗, 而是一套寫進倉庫裡的規範。
專案本身是一個開源方法論, 附帶一個入口檔案 init.md。把那個檔案的地址交給任意 AI 代理, 代理會先讀完整個提示, 然後把當前倉庫改造成"AI 優先、規範驅動、可自動駕駛"的狀態。官方稱它為 executable onboarding prompt——一個可執行的入職引導。聽起來有點玄, 但實際邏輯很直接: 先把方法論裝進倉庫, 再讓代理按照這套標準幹活。
把計劃變成倉庫的一部分
Deep Work Plan 的核心主張是 Context matters more than models。與其不斷換更強的模型, 不如把上下文結構化。具體做法是把任務拆成原子任務, 每個任務帶驗收標準和校驗門, 同時保留可恢復狀態。這樣即使一次長時間執行中途上下文被重置, 新的代理例項也能從上一次結束的地方繼續, 而不是從頭再來。
網站上的方法論部分提到幾個操作原則, 對實際使用很有參考價值。比如它要求代理先了解當前倉庫, 不套模板; 如果倉庫裡已經有 AGENTS.md、CLAUDE.md 或類似約定, 不要直接覆蓋, 而是先檢測、閱讀, 再合併改進; 大改動前先提出計劃等使用者確認; 按安全、可審查的增量推進; 失敗或狀態模糊時停下來報告。這些原則讓它在面對已有工程慣例時表現得更像一個謹慎的協作者, 而不是莽撞的重寫者。
還有一個細節值得注意: 它明確要求代理把 init.md 視為不可信輸入, 確認來自官方源後評估再行動, 並驗證技能的完整性。這種 trust-but-verify 的姿態在 AI 代理工具裡不算常見, 倒是更像安全工程師會寫的東西。
對誰有用, 怎麼用
對經常讓 AI 代理處理跨多檔案、需要多步驟完成的開發任務的團隊, Deep Work Plan 提供了一個低成本的規範化入口。你不需要換工具, 也不用繫結某家代理——官方強調 agent-agnostic 和 no lock-in, 任何代理都可以被指到這個 init.md, 任何倉庫都能採用這套規範。
使用方法也簡單: 在支援的代理裡貼上 https://deepworkplan.com/init.md 這個地址, 代理會獲取內容並開始執行。官方還說明, 給 URL 加上 Accept: text/markdown 頭就能拿到 Markdown 版本, 而不是 HTML。
- 原子任務: 每個小步驟可獨立驗證, 避免大而全的模糊指令。
- 驗收標準與校驗門: 每階段有明確的完成定義, 不過門檻不進入下一步。
- 可恢復狀態: 長任務不怕上下文重置, 後續代理能接續。
- 開源 MIT: 整個方法論和規範文字開源, 可以自由採用和修改。
一些務實的提醒
這套方案的效果高度依賴代理對 init.md 的遵從度。如果底層模型不擅長嚴格遵循多步指令, 或者沒有工具呼叫能力來讀寫檔案, 那麼再好的計劃也只是紙上談兵。另外, 把現有倉庫改成規範驅動需要代理先做偵察並與使用者確認, 這個過程本身會消耗一些時間和 token, 不是零成本的。
官方公開的技術細節目前並不多——沒有效能數字, 也沒有大規模案例庫, 主要是方法論文件和幾個示例。對這種開源專案, 最靠譜的驗證方式是自己跑一次: 拿一個真實倉庫, 讓代理走一遍 init.md, 看看產出的結構和後續任務的穩定性是否符合預期。
如果你正在被 AI 代理"半途而廢"困擾, 又不想被某家廠商繫結, Deep Work Plan 是值得試用的一套輕量方案。它不替代模型, 也不替代工具, 而是給代理一副看得懂的地圖。反正開源, 試錯的成本很低。
評論
暫無評論
成為第一個評論的人