在AI技术持续迭代的当下，一支团队能否真正进化为“AI全栈开发”形态——即同时维护APP、后台、网页等多端代码——这不仅关乎技术能力，更是组织效率的试金石。本文将继续深入探讨这一课题，分享一套经过验证的实践路径，帮助团队在AI时代实现高效协同。

AI时代，程序员不应被单一技术栈所局限，而需具备顶层架构思维，清晰把握整个系统的设计与数据流向。这不仅能拓展个人的知识广度，还能让你独立高效地完成某个模块，产品迭代速度自然显著提升——想验证一个想法，无需再等待后端、前端和联调环节。

一、顶层设计思维

要实现AI全栈能力，首先需要完成两件事：

• 将全栈项目统一汇总管理，避免代码散落在各个角落。
• 让AI真正理解每个子项目的代码风格、框架分层与设计理念，并将这些信息有效沉淀。

这样才能达到以下效果：

• 无论使用何种模型，AI都能快速理解你的需求，精准定位需要修改的端。
• 生成的代码符合该端的技术风格，避免出现低级错误。
• 修改完成后，能够自动启动各个端，执行跨端的端到端全流程测试。

二、基于 git submodule 的项目结构

在全栈协作场景中，APP、后端、网页端通常各自拥有独立的代码仓库，迭代节奏与分支管理也各不相同。因此，建议先维护一个组合根仓库，通过Git submodule将业务子项目汇聚到一起。典型的项目结构如下：

fullstack-workspace/
├── cow-harness/                # 全栈入口与通用 Harness
├── .ai-harness/
│   └── workspace-map.md        # 业务模块地图
├── apps/mobile/                 # APP 端代码（git submodule）
├── services/backend/            # 后端代码（git submodule）
├── apps/web/                    # 网页端代码（git submodule）
│   └── .gitmodules

.gitmodules 记录了每个子仓库的远程来源与本地路径，根仓库则锁定每个子仓库当前应使用的分支。这样一来，团队任何成员拉取根仓库后，拿到的都是同一组前后端代码版本。submodule本身不会影响子项目的分支策略，各子仓库的提交习惯与代码目录依然可以独立维护。

workspace-map.md 则扮演“项目地图”的角色，盘点每个子项目所属领域及初始化状态，解决“这个任务该先去哪里”的问题。

三、让 AI 深度读懂整个项目

“读懂”并非让AI简单扫描整个仓库并生成一份看似专业的总结，而是要它精准掌握每个项目的设计、风格、规范约束以及安全性能指标。为此，我们编写了一个名为 domain-init 的SKILL。

这个SKILL具备完整的项目识别能力，既接入了cow-harness，也独立开源（开源地址：github.com/MinLeeV5/domain-init）。

1. 前置介绍

domain-init 会首先进行领域识别：从构建文件、依赖、入口、测试工具和目录结构中提取信号，判断当前项目属于哪个端（例如更接近React前端、Go后端、移动端或CLI）。确定领域后，它会采样真实代码，识别项目当前使用的架构设计、组件规范、接口分层、测试夹具及验证命令，并将这些事实转化为可 review 的规则草案。

核心原则：代码是事实源，规则只是对事实的结构化表达。

2. 四大原则

3. 最佳实践

如果仅从已有项目中抽取规则，会面临另一个风险：项目本身可能设计不够完善，AI照着这套规范越写越糟。因此，domain-init 还提供了一些最佳实践参考。

project-index.md 是关键的品质索引，引用了大量优秀实践。针对不同问题，可以查找不同的标杆：

• 编码约定可参考 everything-claude-code 的分语言规则；
• 前端性能和组件架构可参考 Vercel 的 agent skills；
• 测试策略和验证门控可参考 get-shit-done；
• 安全审查则可参考 gstack 和 Trail of Bits 的工作流。

使用这些实践时，并非直接复制他人仓库的内容。核心在于让AI学习如何组织规则、如何表达硬约束、如何将验证融入流程，然后结合当前项目的代码事实，生成适合自身的内容。

四、初始化产物

初始化完成后，每个子项目内都会生成一组可供后续任务反复读取的资产。这些资产存放在各自的业务子项目中，而非组合根仓库。

services/backend/
├── AGENTS.md                    # AI 进入项目的入口
├── cow-harness/
│   └── skills/domain-init/      # 嵌套的领域初始化 skill
├── .ai-harness/
│   ├── project.profile.md       # 项目画像
│   ├── context-map.md           # 模块、入口与边界
│   ├── verification.md          # 验证方式与命令
│   └── domain-init-report.md    # 检测依据、确认范围和结果
├── .agents/                     # 当前项目选择的平台规则、skills、agents
└── .ai-runtime-artifacts/       # 需求、计划、验证与决策记录

project.profile.md 回答“这是什么项目、关键约束是什么”；context-map.md 回答“代码应该改在哪里、边界在哪里”；verification.md 回答“改完怎么证明它没问题”。

此外，还会生成一些模型层入口：domain-init-report.md 将领域判断依据、用户确认过的范围和生成结果保留下来，避免这些结论变成无从追查的黑盒；.agents/ 是该项目真正会被AI加载的规则、skills和agents；.ai-runtime-artifacts/ 保存需求分析、计划、验证记录和架构决策。

五、初始化后，如何执行任务

当一个任务从全栈组合根目录进入时，执行流程如下：

1. AI首先读取 workspace-map.md。
2. 任务中若出现明确的项目路径、模块名、接口名或界面名，则利用这些证据定位对应的业务子项目。
3. 结合多个相关项目，判断任务体量，决定是否需要进行spec拆解。
4. 项目选定后，读取顺序固定：先通过 AGENTS.md 进入项目，再加载 cow-harness/core/ 的通用流程，以及当前项目的 project.profile.md、context-map.md 和 verification.md。
5. 随后，AI遵循harness的规范，使用superpower和omx开始执行任务。

六、快速接入

1. 维护好全栈组合仓库，先将所有子模块拉到组合根仓库锁定的版本：

git submodule update --init --recursive
git submodule status --recursive

2. 将 cow-harness 也作为submodule加入到你的项目中：

git submodule add git@github.com:WxqKb/cow-harness.git cow-harness
git submodule update --init --recursive

3. 接下来让 cow-harness 开始为你初始化子项目：

请先读取 cow-harness/README.md、cow-harness/init/fullstack-bootstrap.prompt.md 和 cow-harness/skills/domain-init/SKILL.md。
这是一个由多个业务子项目组成的全栈项目。
请先运行 git submodule status --recursive，区分业务子项目、Harness 和第三方依赖；
展示候选业务子项目并等待我选择。
只初始化我确认的子项目，不要在组合根目录生成混合的领域规则，也不要自动改写未选择的子项目。

七、写在最后

实际上，各大基础模型在编码能力上的持续发力，对程序员行业的冲击是深远的——在大公司中感受尤为明显。例如，一个简单的需求，可以让AI全面理解、拆分，快速搭建出A/B方案，并发布给天使用户进行测试。这一流程以往可能需要投入一周时间，但借助AI+harness，两天即可完成。这种效率提升对个人和业务都将产生不可忽视的价值，而且早已不再是天方夜谭。

Harness全栈的开发模式，无疑也会淘汰一部分人。但在当前的大环境下，我们应尽量快速成长。当编码技术不再是壁垒时，更应高效地利用AI，让AI全面拓宽我们的知识面和业务边界，沉淀为自身的核心竞争力。当环境好转时，你依然是那个炙手可热的人才。

下一篇，我们将继续深入讲解harness中如何使用openspec和omx工作流，进行高质量的项目交付。