Kiro IDE 实战：Spec 驱动 AI 编程，需求明确自动出代码

为了给你看看 Kiro 的完整流程，我拿一个实际需求演示：给 OpenClaw 写一个天气查询 Skill。

第 1 步：写 Spec

在项目目录下创建 .kiro/specs/weather-skill.md：

## Weather Skill for OpenClaw

我要给 OpenClaw 写一个天气查询 Skill。

功能：
- 用户说"北京天气"之类的话，自动查询当前天气
- 支持中国城市名（中文）和国际城市名（英文）
- 返回温度、湿度、体感温度、风速
- 数据源用 Open-Meteo（免费，不需要 API Key）

技术要求：
- SKILL.md 声明文件
- 主脚本用 Bash（OpenClaw 原生支持）
- 用 curl + jq 解析 JSON
- 城市名转坐标用 Open-Meteo 的 Geocoding API

写完保存，Kiro 几秒钟内就生成了 requirements 文件。

第 2 步：Review Requirements

Kiro 生成的 requirements 大概长这样（节选）：

### REQ-1: City Name Geocoding
- 接收中文/英文城市名
- 调用 Open-Meteo Geocoding API 获取经纬度
- 处理多个匹配结果（取第一个）
- 验收标准：输入"北京" → 返回 (39.9042, 116.4074)

### REQ-2: Weather Data Retrieval
- 使用经纬度调用 Open-Meteo Forecast API
- 获取 current_weather 字段
- 解析温度、湿度、风速、体感温度
- 验收标准：返回的 JSON 包含所有字段且值合理

### REQ-3: Output Formatting
- 中文城市名输出中文格式
- 包含天气图标（emoji）
- 格式化为人类可读文本
- 验收标准：输出类似"北京 🌤️ 22°C / 体感 20°C / 湿度 45% / 北风 12km/h"

看到没？它自动给每个需求加了验收标准。纯 chat 模式的 AI 编程工具通常不会做这一步——直接开写代码，写出来什么样看运气。

第 3 步：走完 Design 和 Tasks

Design 阶段它会画出文件结构、函数签名、数据流。Tasks 阶段拆成了 5 个可执行步骤：

1. 创建 SKILL.md 声明文件
2. 写 geocoding 函数
3. 写 weather fetch 函数
4. 写 output formatter
5. 写集成入口 scripts/weather.sh

每个 task 点击执行，代码自动生成，生成完你可以看 diff。

第 4 步：看看生成的代码

geocoding 部分（节选）：

#!/bin/bash
# weather.sh - OpenClaw Weather Skill
get_coordinates(){
    local city="$1"
    local encoded_city=$(python3 -c "import urllib.parse; print(urllib.parse.quote('$city'))")
    local response=$(curl -s "https://geocoding-api.open-meteo.com/v1/search?name=${encoded_city}&count=1&language=zh")
    local lat lon name
    lat=$(echo "$response" | jq -r '.results[0].latitude // empty')
    lon=$(echo "$response" | jq -r '.results[0].longitude // empty')
    name=$(echo "$response" | jq -r '.results[0].name // empty')
    if [[ -z "$lat" || -z "$lon" ]]; then
        echo "找不到城市：$city"
        return 1
    fi
    echo "${lat}|${lon}|${name}"
}

代码质量不错，错误处理、URL 编码这些细节都考虑到了。

第 5 步：Hooks 自动跑测试

我提前设了一个 hook：每次 .sh 文件修改，自动用 shellcheck 跑一遍静态检查。Kiro 改完代码自动触发，发现了一个引号问题，自己修了。

整个过程大概 15 分钟，包括 review 时间。

Kiro 的核心优势

总结一下 Kiro 跟传统 chat 式 AI 编程的区别：

• 开发方式：Spec → Requirements → Design → Tasks → Code，不是一句 prompt 直接出代码
• 可追溯性：有完整的 spec → code 映射，三个月后还能追回设计意图
• 后台任务：Autonomous Agent 在沙盒里独立工作，完成后提 PR
• 扩展机制：Powers（AI 能力包），装一个就获得一个领域的完整上下文
• 自动化：Hooks（事件驱动），保存文件自动跑检查、同步文档
• CLI 支持：终端里也能用，SSH 到服务器照样跑

Kiro + Bedrock：为什么这个组合有意思

Kiro 本身内置了 Claude 模型，但它的 Powers 市场里有好几个 Bedrock 相关的能力包：

• Build full-stack apps with AWS Amplify：用 Amplify Gen 2 构建全栈应用
• Build applications with Aurora DSQL：serverless PostgreSQL 数据库应用
• Observability：CloudWatch + CloudTrail 完整监控
• IAM Policy Autopilot：分析代码自动生成 IAM 策略
• Build an agent with Strands：用 Strands SDK 构建 AI Agent

特别是 IAM Policy Autopilot 这个——它分析你的应用代码，自动生成最小权限的 IAM 策略。以前手动写 IAM 策略要翻半天文档，现在装个 power 就搞定了。

如果你的项目本身就跑在亚马逊云科技上，Kiro 基本上是开箱即用的全家桶体验。Bedrock 的模型、Amplify 的全栈框架、Aurora 的数据库、CloudWatch 的监控——全部有对应的 Powers，不需要自己写 prompt 教 AI 怎么用。

几个槽点

说完优点也得说说问题：

1. Spec 流程有门槛。如果你习惯了 chat 式的 AI 编程，Kiro 的 spec 流程会觉得繁琐。当然这其实是好事——强迫你想清楚再动手——但心理上需要适应。
2. Powers 生态还不够大。跟 VS Code 的扩展市场比，Kiro 的 Powers 数量还很少。不过已有的质量不错，都是亚马逊云科技、Figma、Stripe 这些大厂官方出品。
3. 国内网络可能有问题。Kiro 的服务器在海外，如果你在国内用可能需要配代理。
4. Autonomous Agent 目前还是 Preview。自主代理功能还在灰度中，Pro、Pro+、Power 用户优先，团队版需要排队。

怎么开始

1. 用 AWS Builder ID 登录（免费注册就行）
2. Free 套餐每月 50 credits，够体验核心功能。新注册送 500 bonus credits，30 天有效
3. 在项目里试试 spec 流程：Cmd+Shift+P → Kiro: Create Spec

去 kiro.dev/downloads 下载 IDE，或者终端装 CLI：

curl -fsSL https://cli.kiro.dev/install | bash

套餐对比：

总结

Kiro 不是又一个 AI 编程助手的翻版。它的 spec 驱动开发是一种不同的思路——不是让 AI 猜你要什么，而是让你先想清楚要什么，然后 AI 精确执行。

如果你做的是需要长期维护的正经项目，建议试试。

相关链接

• Kiro 官网：https://aws.amazon.com/cn/campaigns/kiro
• Kiro CLI 安装：https://cli.kiro.dev/install
• Amazon Bedrock：https://aws.amazon.com/cn/bedrock/
• Builder Center Kiro 专区：https://builder.aws.com（搜索 kiro）