北京
多数AI编程工具的习惯是“先写代码，再回头修修补补”——Copilot和ChatGPT的典型循怀。但最近在实际项目里用上Kiro之后，发现它把这条路彻底翻了过来：不是从聊天框生成代码，而是要求你先定义一份技术规格，再根据规格去生成实现任务。
Kiro是AWS基于VS Code开源版（Code OSS）构建的一款集成开发环境（IDE）。它不仅兼容VS Code的各种插件，还内置了一套围绕“规格驱动”优化的AI工具链。作者在工作中尝试了几周后的第一感觉就是，过去一直想用Copilot实现“用结构化指令引导代码生成”却总需要手动做规划前期，Kiro直接把整个初始规划阶段给自动化了。
里面最核心的叫做Kiro Agents，概念和Copilot的agent类似，都是针对不同任务专门预置的AI代理。目前内置了三种：Spec负责从需求到技术设计和任务列表的规划阶段；Plan可以帮你分析代码库、回答具体疑问并协调编码流程；Bug Fix则专注调试，捕捉错误并给出即时修正。日常工作中，Spec代理是本文重点。
要想真正激发Kiro的能力，项目根目录下的AGENTS.md文件必须认真配置。这个文件会在每次与AI交互时被读取，应该记录架构团队提供的主要系统要求、关键的技术栈约束以及项目必需的命令，保持简洁、避免冗余。简言之，把项目的基础原则写进这个文件，后续一切交互就有了统一的上下文。
Kiro specs的工作流遵循一个推荐路径：Requirements（需求）→ Design（技术设计）→ Tasks（任务列表）。所有这些文件会在代码实际改动之前就生成出来，并自动保存在项目目录下一个隐藏的.kiro/特性文件夹里。虽然允许你跳过需求阶段直接从设计开始，但Kiro强烈建议从最上游的需求入手，确保后续生成的代码有迹可循。
至于这个工作流最终要落到什么实处，核心思路是在编码前先创建一份规格文件，把模糊的想法变成清晰的任务拆分。至少在作者的体验中，这种转变带来的确定性，是过去用AI编码时一直被缺失的一环。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
