跳转至

基于 Harness + SDD + 多仓管理模式的 AI 全栈开发实践｜得物技术

Ch05.055 基于 Harness + SDD + 多仓管理模式的 AI 全栈开发实践｜得物技术

📊 Level ⭐⭐ | 7.8KB | entities/harness-sdd-duiwu-ai-fullstack-dewux.md

基于 Harness + SDD + 多仓管理模式的 AI 全栈开发实践｜得物技术

一、核心理念：Harness 思维 — 让 AI 模仿，而不是凭空创造

全栈 SDD 开发中，最常见也最致命的错误是：让 AI 从零开始写代码。AI 模型具备"通识能力"，给它一个需求描述，它确实能生成可运行的代码。但问题在于，这些代码往往是"外星代码"：

  • 风格不一致（命名规范、目录结构、分层方式与项目现有代码不同）
  • 复用率低（没有利用项目已有的公共组件、工具函数、请求封装）

相关实体

→ 原文存档

深度分析

1. Harness 思维的本质是"约束导航"而非"自由生成"

全栈 SDD 开发中最大的认知陷阱是把 AI 当作"灵感生成器"。得物经验的精髓在于：给 AI 一个已有的实现作为参照，让它照着复刻一份。从工程角度，这意味着你需要在代码库中主动找到最相似的已有实现，并在提示词中明确指定参考文件、接口路径和数据结构。这种"约束导航"的思路将 AI 生成的质量从"看缘分"变成"看上下文密度"。约束越精准，生成代码的采纳率越高，Review 成本越低——这直接解释了为什么凭空生成代码往往在 Code Review 阶段被大量打回。

2. 多仓工作区是 AI 全栈开发的上下文基础设施

前后端代码分仓是常态，但 AI 全栈开发的效率瓶颈恰恰在于"跨仓上下文断裂"。将两个仓库放在同一工作区后，Cursor 的 Codebase Indexing 能对工作区内所有代码进行向量化嵌入，使 AI 同时具备前后端视角。这意味着接口字段命名自然对齐、分层方式一致、数据结构前后对应。从实测对比来看，Cursor 在语义索引速度上显著优于 Claude Code，但 Claude Code 在长链路复杂任务中依赖卓越基础模型表现更稳。关键洞察是：多仓工作区不只是目录层面的合并，它是 AI 全栈开发者的"共享大脑"。

3. SDD 不仅是文档，而是 AI 与人类之间的"接口契约"

得物经验的独特之处在于：SDD 在这里不只是需求澄清工具，它是前后端 AI Agent 之间的强制对齐机制。两份 SDD 文档（前端一份、后端一份）通过接口契约和字段映射严格对应，任何不一致都会在 SDD Review 阶段被发现，而不是等到联调阶段。这种"前置于编码的对齐"从根本上降低了返工成本。openspec-propose → openspec-apply-change → openspec-archive-change 的工作流，本质上是让 AI 在一个规范化的状态机中执行，减少了 AI"自由发挥"的空间。

4. Subagent 模式将"全栈"从单兵作战变成并行工厂

Claude Code 的 Subagent 模式允许将前端、后端、Mock 三个角色注册为独立子 Agent，主 Agent 负责任务分解和调度，子 Agent 负责具体执行。这是工程组织原理在 AI 编程中的直接映射：专业分工 + 并行执行。model: sonnet 用于前端和后端代码生成（能力与速度平衡），model: haiku 用于 Mock 数据生成（成本最优）。这种分层模型选型策略，避免了在所有任务上使用最强模型的资源浪费，是 AI 工程化的重要体现。

5. 三阶段验证策略将 AI 生成的"不确定成本"前置化

AI 生成代码的最大风险不是功能错误，而是"看起来对但隐性行为不对"。三阶段验证（前端 Mock 验证 → 后端独立编译 → 前后端联调）的精髓在于：每一阶段都在一个低依赖的环境中验证核心假设。前端 Mock 自测意味着不依赖后端即可验证 UI 逻辑；mvn clean compile 验证意味着不需要完整启动服务即可验证编译正确性；联调阶段才真正验证端到端数据流。这种分阶段前置验证的策略，是将 AI 的不确定性约束在可控范围内的关键工程实践。

实践启示

1. 在给 AI 任何编码任务前，先强制执行"找相似实现"步骤

不要直接描述需求功能，而要先在代码库中定位功能最相似的已有实现，明确在提示词中写出参考文件路径、参考接口和数据结构。这一步的投入会直接决定后续代码的采纳率。工具建议：使用 grep 或 IDE 语义搜索找到相似代码，将关键片段作为提示词上下文输入。

2. 建立多仓工作区，将前后端代码在目录层面纳入同一语义空间

前端和后端工程师通常各自维护仓库，但 AI 全栈开发要求 AI 同时具备双端视角。在本地工作区建立符号链接或直接将双仓 checkout 到同一父目录下，为 AI 工具（Cursor / Claude Code）提供跨仓语义索引能力。这是 SDD 驱动开发的前提条件，也是 AI 全栈效率提升的第一杠杆。

3. 将 SDD 作为前后端 AI Agent 的强制对齐检查点，而非可选项

在开始编码前，要求 AI 输出前后端两份 SDD 文档，核对接口路径、HTTP 方法、请求/响应字段名是否完全对应。只有对齐检查通过后才能进入 openspec-apply-change 阶段。这个机制可以将大量联调阶段才发现的接口不一致问题，提前到设计阶段解决。

4. 对复杂任务使用 Subagent 模式，并为每个子 Agent 指定专用模型

将前端、后端和 Mock 角色注册为独立子 Agent，使用 model: sonnet 进行代码生成（能力和速度平衡），使用 model: haiku 进行数据生成（成本最优）。主 Agent 负责任务分解和进度调度，子 Agent 负责具体执行。这种分层架构使 AI 全栈开发从"单兵串行"变为"团队并行"。

5. 始终按三阶段验证顺序推进，不要跳过前两个阶段直接联调

每一阶段都在最低依赖环境中验证核心假设：前端 Mock 验证 UI 逻辑 → 后端编译验证代码正确性 → 联调验证端到端数据流。不要因为赶时间而跳过前端 Mock 阶段或后端编译验证——这些前置检查是 AI 生成代码的"低成本排雷区"，等到联调阶段才发现问题的返工成本远高于此。