产品介绍
Deep Work Plan 能将任何代码仓库转化为一套结构化执行框架，注入顶尖工程师级别的上下文——让任何 AI agent 都能像最强模型一样编写代码，且无法偏离既定计划。它不是一个会被遗忘的聊天窗口，而是一份写入仓库的规范：原子化任务、验收标准、验证关卡、可恢复状态。长时间运行的任务能在上下文重置后继续执行；任何 agent 都可以从上一个 agent 中断的位置无缝接手。只需将 agent 指向计划，离开，回来后即可验证成果。兼容任何 agent、任何仓库，无供应商锁定。开源，MIT 协议。
适合谁关注
- 开发者和技术团队
- 产品经理、运营和高频知识工作者
- 正在评估 AI 工具或智能体落地的团队
可借鉴场景
- 快速理解 Deep Work Plan 的定位、核心能力和 Product Hunt 热度
- 判断“模型很重要，上下文更重要——给 agent 一份不可偏离的计划”这类需求是否值得做竞品调研
- 沿着 开发者工具、AI 与智能体 继续发现同类产品和替代方案
- 筛选高票产品，观察海外用户当前愿意投票支持的产品形态
- 结合评论热度，判断该产品是否有真实讨论和早期用户反馈
105
投票数
11
评论数
6月17日
发布日期
作者自荐
总结
Deep Work Plan 精准切中了当前 AI 辅助编程的核心痛点：agent 在长时间任务中的"上下文漂移"问题。与其追求更强大的模型，不如从工程结构层面解决问题——这一思路极具洞察力。产品将执行计划、验收标准和验证关卡以纯文本形式写入代码仓库，使其成为跨 agent、跨会话的持久化"事实来源"，设计理念简洁而有力。工具无关性是其最大亮点之一，不绑定任何特定 AI 编码工具，降低了采用门槛和迁移成本。MIT 开源协议进一步增强了社区信任度。目标用户主要是重度依赖 AI agent 进行日常开发的工程师和技术团队。潜在挑战在于前期规范编写的额外成本能否被后续效率提升充分覆盖，以及如何在快速迭代的项目中保持计划与实际需求的同步。
GitMemo免费开源
把 AI 对话保存到你的 Git 知识库
本地优先，支持 macOS 与 Android。剪贴板、截图、笔记和文件都能集中保存、搜索、同步。
获取安装包
大家好，Product Hunt 👋 模型很重要，上下文更重要。这句话就是这个项目存在的全部理由。 我每天都在用 AI agent 构建项目，但总是遇到同一堵墙：agent 在开始一项长任务时表现出色，但大约三小时后就会悄悄偏离方向。代码仍然能编译通过——但已经不是预期的结果了。也没有干净的方式来恢复，因为整个计划都存在于一个已经长到不可信赖的聊天窗口里。 我不再把这当作提示词工程的问题，而是开始将其视为一个结构性问题。解决方案不是更聪明的模型，而是给 agent 一份无法偏离的计划——直接写入代码仓库本身。 这就是 Deep Work Plan。核心思路分两步： 1）让计划成为唯一事实来源，而不是聊天记录。在编写任何代码之前，先撰写一份规范：目标、原子化任务，以及每个任务的明确验收标准和验证关卡。"完成"由关卡决定，而不是由模型的自我判断决定。计划存储在磁盘上，因此能够在上下文重置或次日交接给不同 agent 时保持完整。 2）让代码仓库成为执行框架。上下文（文件）、工具（脚本和测试）、护栏（计划及其关卡）、状态（磁盘上）——所有这些都以纯文本文件的形式存在于仓库中，任何 agent 都能读取。因此它是工具无关的：Claude Code、Codex、Cursor，或者明年的新 agent 都能运行同一份计划，无需押注任何供应商。 最让我自豪的是，这不是一个空谈的幻灯片。它已经在三个仓库中实际使用——包括记录文档的网站本身。MIT 协议开源，只需一步即可安装到自己的仓库中，访问 deepworkplan.com/init。 如果 agent 总是开头表现出色、三小时后开始跑偏，我真心希望听到反馈。目前大家是如何让长周期 agent 任务保持正轨的？