亚马逊 AI 编程工具 Kiro 初体验与规范驱动开发实践

至于点数是什么，官方说明如下：

credit 是 Kiro 用来衡量响应用户请求所需工作量的单位。简单的指令可能不到 1 点就能完成，而像执行 spec 任务这样的复杂操作通常会消耗更多点数。不同模型的点数消耗速率也不相同：同一项任务，如果在 Auto 模型中需要 1 点，那么在 Sonnet 4 中大约会需要 1.3 点。credit 的计量精确到小数点后两位，因此任务的最低消耗量是 0.01 点。

查看我的状态，提示每月 50 点尚未使用，另外还有 30 天 500 点的赠送，这是官方的一个活动，通过社交账号，比如谷歌登录，就会赠送。

这个量，看起来体验是足够用了，等实际用起来后，再观察下点数的实际消耗情况。

打开项目

选取我自己研发的时光助手项目目录打开，这是一个相对复杂点的项目，前端 vue3，后端 java，同时使用 uni-app 实现了微信小程序和安卓、鸿蒙原生应用，并使用 tauri 框架做了 windows 桌面端的封装。

模型选择

首页的右下角，对话窗口有模型选择下拉，原本想看看都有哪些模型可以用，结果点了没反应。

然后打开项目后，模型可以选择了。

暂时保持默认的 auto 就好了，让 kiro 根据自己的判断来选择用哪个模型。

基于源码逆向生成规范文件

正常情况下项目是从需求到设计再到开发，而我手头的时光助手是已经开发完成的一个产品，因此我想尝试来个逆向工程，让 kiro 基于源码反向来生成规范文件，选择规范驱动模式，我推测 AI 能做到这一点，因此在聊天窗口里告知以下要求：

这是一个面向个人的时间管理系统，前端 vue3，后端 java，同时使用 uni-app 实现了移动端微信小程序和安卓、鸿蒙原生应用，并使用 tauri 框架做了 windows 桌面端的封装，请阅读前端目录 platform 和后端 meet 目录源码，忽略移动端 app 目录下的源码，反向生成规范驱动开发的需求、设计与任务，以便后续产品的长久研发

然后 kiro 开始运作了，输出如下：

任务跑完了，生成了一个需求文档，让我确认，并询问是否可以进入设计环节。

任务开始前担心读取整个项目目录会消耗大量点数，实际运行下来该任务总共消耗了 1.46 点，看上去还是可以接受的。

虽然我是用中文提问的，不影响 kiro 思考和回答，但是 kiro 用英文思考和回答影响我阅读，并且输出的需求文档也是英文的……

从网上找了一段，直接扔到聊天窗口里去了，如下：

请始终使用中文回答用户的所有问题和请求。无论用户使用什么语言提问，都应该用中文进行回复。语言规则所有回答都使用简体中文技术术语可以保留英文，但要提供中文解释代码注释使用中文错误信息和提示使用中文文档和说明使用中文例外情况代码本身（变量名、函数名等）可以使用英文命令行指令保持原样配置文件内容根据实际需要决定语言

然后输出了这么个东西：

可以看到，思考过程和输出经过几句延迟，变到中文了，但是活也继续往下干了，把设计文档给输出出来了，问题是方向已经跑偏了……

我的期望是基于现有源码生成需求文档和设计文档，而不是让 kiro 根据自己生成的需求文档，从头设计……我大概看了下设计，后端是微服务+docker，跟已有设计完全无关。

设计过程大概消耗量 2.83 点，累计 4.29 点。

然后沟通如下：

从这轮交流来看，kiro 不是那么聪明。之前用过的国产工具 trae，在理解需求和上下文方面相当强悍，没出现过这么大的偏离。

然后我不得不把要求重新提了一遍，kiro 也从头开始读取源码分析结构，相当于把最开始的工作又重新干了一遍。

这个运行时间比较长，然后卡死在删除原需求文档环节。

长时间（10 分钟+）无响应后，我输入了询问，才继续往下走，结果思考过程和输出的需求文档，又恢复成英文了。

而且消耗的点数直接从 4.29 蹦到了 10.34……

让其修改设置，思考和输出采用中文，它居然回答它理解了我的需求，但是因为英文需求文档已经创建了，当前主要的任务是继续跑流程，再次要求确认英文的需求文档，如果没问题，进入设计环节。

这个 AI 跟以前用过的国内模型可不太一样，国内模型很'顺从'，你让它干啥它就干啥，而且有一定的迎合、附和成分。

不过，这么呆板地执行预设流程，不接受用户中间给出的指令，也不是一个好用的 AI 吧，无奈之下，只能进一步明确指令：

这时候才把思考过程和需求文档输出转换成了中文。

需求文档

总体来说，根据代码反向生成，需求文档的准确率我人为评估了下，大概在七成左右，没啥惊喜，只是粗粒度的框架，并且有一定的偏差，需求文档如下：

需求文档介绍

Meet（遇见）是一个综合性的个人时间管理系统，结合了任务管理、时间跟踪、个人日记功能和生产力分析。该系统提供多租户架构，支持微信集成和 AI 驱动的内容提取功能。

术语表

• 任务管理器: 负责任务操作的核心系统组件
• 时间跟踪器: 管理工作会话和持续时间跟踪的组件
• 日记系统: 处理个人日记条目和内容的组件
• 分析引擎: 生成生产力报告和统计数据的组件
• 内容提取器: AI 驱动的从视频中提取内容的组件
• 微信集成器: 管理微信小程序集成的组件
• 调度器: 处理作业调度和重复任务的组件
• 用户管理器: 管理多租户用户操作的组件
• 任务: 具有层次结构、优先级和状态的工作项
• 任务日志: 记录的工作会话，包含持续时间和进度笔记
• 日记条目: 带有分类的个人日记记录
• 任务分类: 用于分组任务的组织结构
• 重复任务: 按定义计划重复的任务

需求 1：层次化任务管理

• 用户故事： 作为用户，我希望创建和管理具有分类、优先级和状态跟踪的层次化任务，以便有效地组织我的工作。
• 验收标准 当用户创建任务时，任务管理器应存储标题、描述、优先级、状态和分类...（略）

需求 2：时间跟踪和工作会话

• 用户故事： 作为用户，我希望通过工作会话跟踪在任务上花费的时间，以便监控我的生产力和进度。
• 验收标准 当用户开始工作会话时，时间跟踪器应创建带有开始时间和关联任务的任务日志...（略）

需求 3：重复任务管理

• 用户故事： 作为用户，我希望创建具有灵活计划的重复任务，以便自动化重复性工作规划。
• 验收标准 当用户创建重复任务时，调度器应存储重复模式并生成未来实例...（略）

需求 4：个人日记系统

• 用户故事： 作为用户，我希望维护带有分类的个人日记条目，以便反思我的日常经历和进度。
• 验收标准 当用户创建日记条目时，日记系统应存储内容、分类和时间戳...（略）

需求 5：AI 驱动的内容提取

• 用户故事： 作为用户，我希望从 B 站视频中提取和转录内容，以便为我的任务和日记捕获有价值的信息。
• 验收标准 当用户提供 B 站视频 URL 时，内容提取器应检索视频元数据和内容...（略）

需求 6：微信集成

• 用户故事： 作为用户，我希望通过微信小程序无缝登录访问系统，以便在移动设备上管理任务。
• 验收标准 当用户通过微信登录时，微信集成器应使用微信凭据进行身份验证...（略）

需求 7：分析和报告

• 用户故事： 作为用户，我希望查看生产力统计和报告，以便分析我的工作模式并提高效率。
• 验收标准 当用户请求每日统计时，分析引擎应计算任务完成率和花费时间...（略）

需求 8：配置管理

• 用户故事： 作为系统管理员，我希望管理任务分类和系统设置，以便为不同用户需求定制系统。
• 验收标准 当管理员创建任务分类时，任务管理器应存储名称、描述和层次级别...（略）

需求 9：多租户用户管理

• 用户故事： 作为系统管理员，我希望管理用户、角色和权限，以便控制对系统功能的访问。
• 验收标准 当新用户注册时，用户管理器应创建具有适当默认权限的账户...（略）

需求 10：数据持久化和完整性

• 用户故事： 作为系统用户，我希望我的数据能够可靠地存储和维护，以便不丢失重要信息。
• 验收标准 任务管理器应将所有任务数据持久化到 MySQL 数据库，符合 ACID 规范...（略）

设计文档

接下来，我确认了需求文档，然后担心 AI 又根据需求文档另行生成设计，强调基于源码生成，指令及相应如下：

设计文档文档输出出来了，这个过程中没有额外消耗新的点数，估计是从自己缓存中进行的分析和处理，这点倒是不错的，客观上节省成本，生成的设计文档经评估，大概也就是六七层的准确率，大框架基本准确，具体的功能实现偏差比较大，部分内容跟实际代码实现不符，如下：

概述

Meet（遇见）个人时间管理系统采用前后端分离的架构设计，前端使用 Vue3 + TypeScript + Element Plus 构建现代化的用户界面，后端采用 Java Spring Boot + MyBatis Plus 提供 RESTful API 服务。系统支持多租户架构，集成微信小程序，并提供 AI 驱动的内容提取功能。

架构

整体架构

系统采用三层架构模式：

技术栈

前端技术栈：

• Vue 3.x - 渐进式 JavaScript 框架
• TypeScript - 类型安全的 JavaScript 超集
• Element Plus - Vue 3 组件库
• Vite - 现代化构建工具
• Pinia - 状态管理
• Vue Router - 路由管理

后端技术栈：

• Java 8+ - 编程语言
• Spring Boot 2.x - 应用框架
• Spring Security - 安全框架
• MyBatis Plus - ORM 框架
• MySQL 8.0 - 关系型数据库
• Redis - 缓存和会话存储
• WebSocket - 实时通信

集成服务：

• 微信 SDK - 小程序集成
• 阿里云 AI - 语音识别和 NLP
• 百度 AI - 内容分析
• 腾讯 AI - 多媒体处理

组件和接口

核心组件

1. 任务管理组件 (TaskManager)

职责：

• 管理层次化任务结构
• 处理任务状态转换
• 维护任务分类和优先级

主要接口：

public interface TaskService {
    Task createTask(CreateTaskRequest request);
    Task updateTask(Long taskId, UpdateTaskRequest request);
    void deleteTask(Long taskId);
    List<Task> getTasksByUser(Long userId, TaskQueryFilter filter);
    List<Task> getSubTasks(Long parentTaskId);
    Task updateTaskStatus(Long taskId, TaskStatus status);
}

2. 时间跟踪组件 (TimeTracker)

职责：

• 记录工作会话
• 计算时间统计
• 管理任务日志

主要接口：

public interface TimeTrackingService {
    TaskLog startWorkSession(Long taskId, Long userId);
    TaskLog endWorkSession(Long sessionId, String notes);
    List<TaskLog> getWorkSessions(Long taskId);
    TimeStatistics getTimeStatistics(Long userId, DateRange range);
}

3. 日记系统组件 (DiarySystem)

职责：

• 管理个人日记条目
• 处理富文本内容
• 提供搜索和分类功能

主要接口：

public interface DiaryService {
    Diary createDiary(CreateDiaryRequest request);
    Diary updateDiary(Long diaryId, UpdateDiaryRequest request);
    void deleteDiary(Long diaryId);
    List<Diary> searchDiaries(DiarySearchCriteria criteria);
    List<DiaryCategory> getDiaryCategories(Long userId);
}

4. 内容提取组件 (ContentExtractor)

职责：

• 从 B 站视频提取内容
• 调用 AI 服务进行转录
• 管理提取任务状态

主要接口：

public interface ContentExtractionService {
    ExtractionTask submitExtractionTask(String videoUrl, Long userId);
    ExtractionResult getExtractionResult(Long taskId);
    List<ExtractionTask> getUserExtractionTasks(Long userId);
    void retryFailedExtraction(Long taskId);
}

5. 微信集成组件 (WeChatIntegrator)

职责：

• 处理微信登录认证
• 管理用户绑定
• 提供小程序 API

主要接口：

public interface WeChatService {
    WeChatLoginResult login(String code);
    User bindWeChatUser(String openId, Long userId);
    WeChatUserInfo getUserInfo(String openId);
    void sendTemplateMessage(String openId, TemplateMessage message);
}

6. 分析引擎组件 (AnalyticsEngine)

职责：

• 生成生产力报告
• 计算统计指标
• 创建数据可视化

主要接口：

public interface AnalyticsService {
    DailyReport generateDailyReport(Long userId, LocalDate date);
    WeeklyReport generateWeeklyReport(Long userId, LocalDate weekStart);
    MonthlyReport generateMonthlyReport(Long userId, YearMonth month);
    ProductivityTrend getProductivityTrend(Long userId, DateRange range);
}

API 接口设计

RESTful API 端点

任务管理 API：

GET /api/tasks # 获取任务列表
POST /api/tasks # 创建新任务
GET /api/tasks/{id} # 获取任务详情
PUT /api/tasks/{id} # 更新任务
DELETE /api/tasks/{id} # 删除任务
GET /api/tasks/{id}/subtasks # 获取子任务
POST /api/tasks/{id}/subtasks # 创建子任务

时间跟踪 API：

POST /api/tasks/{id}/sessions # 开始工作会话
PUT /api/sessions/{id}/end # 结束工作会话
GET /api/tasks/{id}/sessions # 获取任务会话
GET /api/users/{id}/statistics # 获取时间统计

日记 API：

GET /api/diaries # 获取日记列表
POST /api/diaries # 创建日记
GET /api/diaries/{id} # 获取日记详情
PUT /api/diaries/{id} # 更新日记
DELETE /api/diaries/{id} # 删除日记
GET /api/diaries/search # 搜索日记

内容提取 API：

POST /api/extraction/submit # 提交提取任务
GET /api/extraction/{id} # 获取提取结果
GET /api/extraction/tasks # 获取用户提取任务
POST /api/extraction/{id}/retry # 重试失败任务

微信 API：

POST /api/wechat/login # 微信登录
POST /api/wechat/bind # 绑定微信账户
GET /api/wechat/userinfo # 获取微信用户信息

分析报告 API：

GET /api/analytics/daily # 每日报告
GET /api/analytics/weekly # 每周报告
GET /api/analytics/monthly # 每月报告
GET /api/analytics/trends # 生产力趋势

数据模型

核心实体模型

任务实体 (Task)

@Entity
@Table(name = "tasks")
public class Task {
    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long id;
    private String title;
    private String description;
    private TaskStatus status;
    private TaskPriority priority;
    @ManyToOne
    @JoinColumn(name = "parent_id")
    private Task parent;
    @OneToMany(mappedBy = "parent")
    private List<Task> children;
    @ManyToOne
    @JoinColumn(name = "category_id")
    private TaskCategory category;
    @ManyToOne
    @JoinColumn(name = "user_id")
    private User user;
    private LocalDateTime createdAt;
    private LocalDateTime updatedAt;
    private LocalDateTime dueDate;
    // 重复任务相关字段
    private RecurrenceType recurrenceType;
    private String recurrencePattern;
    private LocalDateTime nextOccurrence;
}

任务日志实体 (TaskLog)

@Entity
@Table(name = "task_logs")
public class TaskLog {
    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long id;
    @ManyToOne
    @JoinColumn(name = "task_id")
    private Task task;
    @ManyToOne
    @JoinColumn(name = "user_id")
    private User user;
    private LocalDateTime startTime;
    private LocalDateTime endTime;
    private Long duration; // 以分钟为单位
    private String notes;
    private LogType logType;
    private LocalDateTime createdAt;
}

日记实体 (Diary)

@Entity
@Table(name = "diaries")
public class Diary {
    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long id;
    private String title;
    @Lob
    private String content;
    @ManyToOne
    @JoinColumn(name = "category_id")
    private DiaryCategory category;
    @ManyToOne
    @JoinColumn(name = "user_id")
    private User user;
    private LocalDateTime createdAt;
    private LocalDateTime updatedAt;
    // 关联的提取内容
    @OneToMany(mappedBy = "diary")
    private List<ExtractedContent> extractedContents;
}

用户实体 (User)

@Entity
@Table(name = "users")
public class User {
    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long id;
    private String username;
    private String email;
    private String passwordHash;
    private UserStatus status;
    // 微信相关字段
    private String wechatOpenId;
    private String wechatUnionId;
    private String wechatNickname;
    private String wechatAvatar;
    @ManyToMany
    @JoinTable(name = "user_roles")
    private Set<Role> roles;
    private LocalDateTime createdAt;
    private LocalDateTime lastLoginAt;
}

内容提取实体 (ExtractionTask)

@Entity
@Table(name = "extraction_tasks")
public class ExtractionTask {
    @Id
    @GeneratedValue(strategy = GenerationType.IDENTITY)
    private Long id;
    private String videoUrl;
    private String videoTitle;
    private ExtractionStatus status;
    @ManyToOne
    @JoinColumn(name = "user_id")
    private User user;
    @Lob
    private String extractedText;
    private String errorMessage;
    private LocalDateTime createdAt;
    private LocalDateTime completedAt;
    // AI 服务提供商信息
    private String aiProvider;
    private String taskId; // 外部任务 ID
}

数据库设计

表结构关系

索引策略

性能优化索引：

-- 任务查询优化
CREATE INDEX idx_tasks_user_status ON tasks(user_id, status);
CREATE INDEX idx_tasks_parent_id ON tasks(parent_id);
CREATE INDEX idx_tasks_due_date ON tasks(due_date);
-- 时间跟踪优化
CREATE INDEX idx_task_logs_task_user ON task_logs(task_id, user_id);
CREATE INDEX idx_task_logs_start_time ON task_logs(start_time);
-- 日记搜索优化
CREATE INDEX idx_diaries_user_created ON diaries(user_id, created_at);
CREATE FULLTEXT INDEX idx_diaries_content ON diaries(title, content);
-- 用户认证优化
CREATE UNIQUE INDEX idx_users_email ON users(email);
CREATE UNIQUE INDEX idx_users_wechat_openid ON users(wechat_open_id);

正确性属性

属性是应该在系统的所有有效执行中保持为真的特征或行为——本质上是关于系统应该做什么的正式陈述。属性作为人类可读规范和机器可验证正确性保证之间的桥梁。

基于预工作分析，以下是从验收标准中提取的核心正确性属性：

属性 1：任务创建完整性

对于任何有效的任务创建请求，创建的任务应该包含所有必需字段（标题、描述、优先级、状态、分类），且所有字段值应该与请求中的值匹配 验证：需求 1.1

属性 2：任务层次完整性

对于任何父子任务关系，子任务的父任务引用应该正确指向父任务，且父任务的子任务列表应该包含该子任务 验证：需求 1.2

属性 3：任务状态转换有效性

对于任何任务状态更新，新状态应该是当前状态的有效后继状态，且更新时间戳应该晚于创建时间戳 验证：需求 1.3

属性 4：工作会话时间一致性

对于任何完成的工作会话，结束时间应该晚于开始时间，且计算的持续时间应该等于结束时间减去开始时间 验证：需求 2.2

属性 5：时间聚合准确性

对于任何任务，其总工作时间应该等于所有关联工作会话持续时间的总和 验证：需求 2.4

属性 6：用户会话唯一性

对于任何用户，在任何给定时间点只能有一个状态为"进行中"的工作会话 验证：需求 2.6

属性 7：重复任务生成一致性

对于任何重复任务模板，生成的任务实例应该遵循定义的重复模式，且下次出现时间应该根据重复规则正确计算 验证：需求 3.1, 3.2

属性 8：日记搜索准确性

对于任何日记搜索查询，返回的结果应该只包含内容或分类匹配搜索条件的日记条目 验证：需求 4.4

属性 9：内容提取状态一致性

对于任何内容提取任务，如果状态为"完成"，则应该存在提取的文本内容；如果状态为"失败"，则应该存在错误消息 验证：需求 5.3, 5.5

属性 10：微信用户绑定唯一性

对于任何微信 OpenID，系统中最多只能存在一个绑定该 OpenID 的用户账户 验证：需求 6.2

属性 11：统计数据一致性

对于任何时间范围的统计报告，报告中的总工作时间应该等于该时间范围内所有工作会话持续时间的总和 验证：需求 7.1, 7.2, 7.3

属性 12：角色权限传递性

对于任何用户，其有效权限集合应该等于其所有分配角色的权限的并集 验证：需求 9.2, 9.3

属性 13：数据引用完整性

对于任何删除操作，系统应该确保不存在指向已删除实体的悬空引用 验证：需求 10.3

属性 14：输入验证一致性

对于任何数据输入操作，系统应该在持久化之前验证所有输入数据，拒绝无效数据并提供适当的错误消息 验证：需求 10.6

属性 15：并发数据完整性

对于任何并发数据操作，系统应该确保数据的一致性，防止竞态条件导致的数据损坏 验证：需求 10.2

错误处理

异常处理策略

1. 业务异常处理

@ControllerAdvice
public class GlobalExceptionHandler {
    @ExceptionHandler(TaskNotFoundException.class)
    public ResponseEntity<ErrorResponse> handleTaskNotFound(TaskNotFoundException ex) {
        return ResponseEntity.status(HttpStatus.NOT_FOUND).body(new ErrorResponse("TASK_NOT_FOUND", ex.getMessage()));
    }
    @ExceptionHandler(InvalidTaskStatusTransitionException.class)
    public ResponseEntity<ErrorResponse> handleInvalidStatusTransition(InvalidTaskStatusTransitionException ex) {
        return ResponseEntity.status(HttpStatus.BAD_REQUEST).body(new ErrorResponse("INVALID_STATUS_TRANSITION", ex.getMessage()));
    }
    @ExceptionHandler(ConcurrentWorkSessionException.class)
    public ResponseEntity<ErrorResponse> handleConcurrentSession(ConcurrentWorkSessionException ex) {
        return ResponseEntity.status(HttpStatus.CONFLICT).body(new ErrorResponse("CONCURRENT_SESSION", ex.getMessage()));
    }
}

2. 外部服务异常处理

@Component
public class ContentExtractionService {
    @Retryable(value = {ExternalServiceException.class}, maxAttempts = 3)
    public ExtractionResult extractContent(String videoUrl) {
        try {
            return aiServiceClient.extractContent(videoUrl);
        } catch (ServiceUnavailableException ex) {
            throw new ExternalServiceException("AI service temporarily unavailable", ex);
        }
    }
    @Recover
    public ExtractionResult recover(ExternalServiceException ex, String videoUrl) {
        // 记录失败并返回默认结果
        log.error("Content extraction failed after retries for URL: {}", videoUrl, ex);
        return ExtractionResult.failed("Service temporarily unavailable");
    }
}

3. 数据库异常处理

@Service
@Transactional
public class TaskService {
    public Task createTask(CreateTaskRequest request) {
        try {
            return taskRepository.save(buildTask(request));
        } catch (DataIntegrityViolationException ex) {
            if (ex.getCause() instanceof ConstraintViolationException) {
                throw new InvalidTaskDataException("Task data violates constraints", ex);
            }
            throw new TaskCreationException("Failed to create task", ex);
        } catch (OptimisticLockingFailureException ex) {
            throw new ConcurrentModificationException("Task was modified by another user", ex);
        }
    }
}

错误恢复机制

1. 自动重试机制

• AI 服务调用失败时自动重试 3 次
• 数据库连接失败时使用指数退避重试
• 微信 API 调用失败时根据错误码决定是否重试

2. 降级策略

• AI 服务不可用时提供基础文本提取
• 统计服务异常时返回缓存数据
• 实时通知失败时记录待发送队列

3. 数据一致性保障

• 使用数据库事务确保操作原子性
• 实现分布式锁防止并发冲突
• 定期数据一致性检查和修复

测试策略

双重测试方法

系统采用单元测试和基于属性的测试相结合的综合测试策略：

单元测试：

• 验证特定示例、边界情况和错误条件
• 测试组件间的集成点
• 关注具体的业务逻辑实现

基于属性的测试：

• 验证跨所有输入的通用属性
• 通过随机化实现全面的输入覆盖
• 每个属性测试最少运行 100 次迭代

测试框架配置

Java 后端测试：

• JUnit 5 - 单元测试框架
• Mockito - 模拟框架
• jqwik - 基于属性的测试库
• TestContainers - 集成测试数据库

前端测试：

• Vitest - 测试运行器
• Vue Test Utils - Vue 组件测试
• fast-check - 基于属性的测试库

基于属性的测试配置

每个正确性属性必须通过单个基于属性的测试实现：

测试标签格式：Feature: personal-time-management-system, Property {number}: {property_text}

示例配置：

@Property
@Label("Feature: personal-time-management-system, Property 1: 任务层次完整性")
void taskHierarchyIntegrity(@ForAll("tasks") Task parentTask, @ForAll("tasks") List<Task> childTasks) {
    // 测试删除父任务时子任务的处理
    taskService.deleteTask(parentTask.getId());
    for (Task child : childTasks) {
        Task updatedChild = taskService.findById(child.getId());
        assertThat(updatedChild.getParent()).isNotEqualTo(parentTask);
    }
}

测试覆盖率目标

• 单元测试代码覆盖率：≥ 80%
• 集成测试 API 覆盖率：≥ 90%
• 基于属性的测试：覆盖所有正确性属性
• 端到端测试：覆盖主要用户流程

小结

对亚马逊云科技 Kiro 工具的实际体验，同样低于网络宣传的预期。不过 Kiro 解决了国内开发者使用海外 AI 编程工具的两大痛点 ——无网络门槛与低使用成本，通过内置 Claude 顶尖模型，直接拉满了工具的核心编程能力。

Vibe Coding 听上去很美好，但在当前 AI 的智能化发展阶段，我不看好，也许只有当 AI 高度智能，特别是实现了 AGI 后方能落地。而规范驱动开发模式，将软件工程的成熟理念和框架整合到人与 AI 协作过程中，我认为是当下的最优解，使 AI 不再是需要人工全程把控的'新手搭档'，而是能依托规范驱动开发理念，自主完成需求拆解、代码生成、BUG 修复的高效助手。