过去两年，AI 编程工具迎来了前所未有的发展。从 GitHub Copilot 到 Cursor，再到 Claude Code，大模型正在逐渐改变开发者的工作方式。代码补全、Bug 修复、单元测试生成、代码解释等能力，已经成为现代开发环境中的“标配”。

然而，对于企业而言，真正的软件开发从来都不仅仅是“写代码”。

一个完整的软件项目，通常需要经历需求分析、产品设计、系统架构、任务拆解、代码开发、测试验证、文档维护以及持续部署等多个环节。即便 AI 能够快速生成代码，如果无法理解业务需求、遵循团队规范、协调多个开发任务，它仍然只是一个高效的代码助手，而不是一名真正能够参与软件工程的“开发伙伴”。

近日，AWS 推出的 Kiro，正是希望解决这一问题。

与传统 AI Coding 工具不同，Kiro 的定位并不是一款简单的 AI 编程助手，而是一款全新的 Agentic IDE（智能体开发环境）。AWS 希望借助 AI Agent 的能力，让 AI 不只是帮助开发者完成某一段代码，而是能够深度参与整个软件开发生命周期，实现从“AI Coding”到“AI Engineering（智能工程）”的升级。

从 AI 写代码，到 AI 参与软件工程

过去几年，大多数 AI 编程工具都围绕“代码生成”展开。

例如，当开发者输入“帮我开发一个登录模块”时，AI 会快速生成 Controller、Service、数据库操作以及部分测试代码。这种方式极大提升了编码效率，也降低了重复劳动。

但当需求变得复杂时，问题也随之出现。

开发一个企业 CRM、ERP 或电商平台，并不是简单地生成几个接口，而是需要先明确业务需求，再完成系统设计、数据库建模、接口规划、任务分配以及后续测试与部署。传统 AI 更多关注“如何写代码”，而 Kiro 更关注“如何完成一个项目”。

因此，AWS 提出了 Agentic Engineering（智能体工程） 的理念，希望让 AI 从开发工具升级为真正的软件工程参与者。

让开发从需求开始

Kiro 最具代表性的能力，就是 Spec-Driven Development（规范驱动开发）。

简单来说，它不会直接开始编写代码，而是先帮助开发团队完成需求分析和设计工作。

例如，当开发者输入“开发一个企业员工管理系统”时，Kiro 首先会生成完整的需求文档，对功能模块进行拆解，并分析业务流程；随后进一步设计系统架构、数据库模型和 API 接口，再根据设计结果生成详细的开发任务，最后才进入代码实现、测试验证和文档更新等阶段。

整个开发流程形成了一条完整、可追溯的工作链路。

对于企业来说，这意味着需求、设计、开发和测试能够保持一致，减少因为沟通不充分而导致的返工，也让项目管理更加规范。

多个 AI Agent 协同开发

除了规范驱动开发之外，Kiro 还引入了多Agent协同的开发模式。

传统 AI 往往一次只能处理一个任务，而 Kiro 可以让多个 AI Agent 同时参与同一个项目。

例如，在开发一个电商平台时，一个 Agent 负责数据库设计，一个 Agent 编写后端接口，另一个 Agent 负责前端页面，还有 Agent 自动生成测试用例、维护技术文档，最终再统一整合所有开发成果。

这种方式更接近真实的软件研发团队，也能够充分发挥 AI 在不同领域的能力，提高整体开发效率。

对于大型项目而言，并行协作意味着更短的开发周期，也意味着开发人员能够将更多精力放在业务创新，而不是重复性的基础工作上。

把团队规范交给 AI

在企业研发过程中，统一开发规范一直是管理难点。

不同成员有不同的编码习惯，接口命名方式不一致，代码风格各异，甚至 AI 每次生成代码时都需要重新输入相同的提示词。

Kiro 提供的 Steering Files（项目规范文件），正是为了解决这一问题。

开发团队可以将项目所使用的技术栈、编码规范、接口风格、数据库要求以及团队开发原则写入规范文件，之后 AI 在生成任何代码时都会自动遵循这些规则。

例如，可以提前定义项目统一使用 Spring Boot、PostgreSQL、REST API、Google Java Style 等标准，AI 无需再次提示即可保持一致的开发风格。

这不仅减少了重复沟通，也进一步提升了企业项目的可维护性。

自动完成更多开发工作

除了生成代码之外，Kiro 还支持 Agent Hooks 自动化能力。

开发者在保存代码后，可以自动触发代码格式化、静态代码检查、单元测试、安全扫描、文档更新等一系列任务，无需人工逐项执行。

过去需要开发者手动完成的重复性工作，如今可以由 AI 自动完成，从而让团队把更多时间投入到产品设计和业务创新之中。

对于采用 DevOps 和持续集成（CI/CD）的企业来说，这种自动化能力能够进一步提升研发效率，降低人为错误。

Kiro 与 Cursor 有何不同？

很多人看到 Kiro 后，第一反应都是：“它是不是另一个 Cursor？”

事实上，两者虽然都属于 AI 开发工具，但定位并不相同。

Cursor 更偏向于帮助开发者快速完成编码工作，它擅长代码补全、智能修改和项目理解，非常适合个人开发者或小团队。

而 Kiro 更强调软件工程能力，它不仅关注代码生成，更关注需求管理、开发流程、团队规范以及多个 AI Agent 的协同工作。

可以说，Cursor 更像是一位经验丰富的程序员，而 Kiro 更像是一位既懂开发、又懂项目管理的软件工程团队。

写在最后

随着大模型能力不断提升，AI 编程工具已经进入新的发展阶段。

过去，我们讨论的是“AI 能否写代码”；如今，更值得关注的是“AI 能否像软件工程师一样参与整个项目”。

Kiro 的出现，代表着 AI 正在从“代码生成”迈向“工程协作”，也让软件开发逐渐进入以 AI Agent 为核心的新阶段。

未来的软件研发，或许不再只是开发者与 AI 的简单配合，而是由多个 AI Agent 与研发团队共同完成需求分析、架构设计、开发测试以及持续交付。

对于企业而言，真正的竞争优势，也将从拥有更强的大模型，逐渐转向构建更完善、更智能的软件工程体系。而 Kiro 的发布，无疑为这一趋势提供了一个值得关注的新方向。

——

欢迎持续关注我们（官网:https://ftl-cloud.com/），获取更多活动资讯、技术分享与企业 AI 落地案例。

FTL-Cloud (越光科技) 是AWS 全球高级合作伙伴、Azure 数据与 AI 解决方案合作伙伴，同时为海内外多家运营商战略合作伙伴、解决方案提供商。技术服务涉及多个领域，支持基于 AWS Amazon Bedrock、Azure AI Foundry 部署 GPT-5.6 全系列模型，为社交媒体、移动电商、游戏、新能源汽车、智能制造、生物医药、政企类客户提供全业务流程 AIagent 解决方案。在 AI 产业应用领域，我们深耕计算机视觉、自然语言处理及 AI 决策优化等技术，为智慧城市、金融风控、医疗影像分析等场景提供端到端的解决方案。