Kiro AI IDE:AWS 出的"规范驱动开发"工具,跟 DeepSeek Harness 形成国际/国内对位

这篇博客的素材来自我自己 LLM Wiki 知识库里的 Kiro 实体笔记(7/15 起草,7/17 完善,8/9 强化),综合了 AWS 官方资料 + 4 篇用户问答 + 1 个 B 站实战视频(飞天闪客搭 Spring Boot 项目)。原文 10.7KB。我把它重写成一篇”AI 编程工具对位”视角的全景文章,跟已发的 DeepSeek Harness 形成国际/国内对位。

0. 一句话定论

Kiro 是 AWS 2025 年出的 Agentic AI IDE,核心理念是”规范驱动开发”(Spec-Driven Development) — 写代码前先把自然语言需求拆成 requirements.md → design.md → tasks.md 三份文档,再让 AI Agent 逐步执行。

跟 DeepSeek Harness 的关键差异:Kiro 是”先规范后执行”路径,DeepSeek 是”插件化系统级治理”路径。两个工具代表了 2026 年 AI 编程的两个分叉方向。

1. Kiro 是什么 — 3 个关键事实

事实 1:AWS 出品,基于 Bedrock

提出者:AWS(亚马逊云科技)
底层:Amazon Bedrock 调用 Claude / Qwen / DeepSeek 等大模型
形态:桌面 IDE(基于 Code OSS,兼容 VS Code 设置和插件)+ CLI + Web
网址:kiro.dev

关键认知:Kiro 不是 AWS 自己训的模型,是 AWS 调 Anthropic Claude 的壳。 你付的费用一部分给 AWS,一部分给 Anthropic。

事实 2:核心理念是”规范驱动”

跟传统 Vibe Coding(说一句话就写代码)的关键区别:

维度	Vibe Coding(纯 Prompt)	Kiro Spec 模式
输入	一句话需求	自然语言需求 → 自动拆成 3 份文档
过程	AI 直接写代码	AI 先写规范 → 拆任务 → 逐个执行
验收	人眼看代码	任务清单 + 测试用例 + 自动跑测试
适合	几十行小脚本	中大型功能、跨模块协作

类比给你: Spec 模式像”先签合同再施工” — requirements.md 是合同,design.md 是图纸,tasks.md 是施工清单。Vibe Coding 像”边想边盖” — 快但容易返工。

事实 3:不是单点工具,是工作流

Kiro 不是一个”AI 写代码”的工具,是一套完整的”需求 → 设计 → 任务 → 执行”工作流。它的核心价值不在”AI 写得有多好”,在”流程控制得有多稳”。

2. Kiro 的 5 个关键特性

特性	作用	跟已有工具的差异
Spec 模式	自动拆 requirements/design/tasks 三份文档	Cursor/Windsurf 没有这个
Agent Hooks	保存文件时自动跑测试 / 更新文档 / 安全扫描	类似 CI 但更细粒度
Steering Files	项目级 Markdown 配置,定义代码规范/架构偏好	类似 `.cursorrules` 但更结构化
MCP 集成	连接数据库/API/GitHub 等外部工具	跟 Claude Code 类似的协议
上下文持久化	通过 Steering Files 避免每次对话重复解释规范	比 Cursor `@` 引用更省事

最实用的是 Steering Files:你写一份项目规范 Markdown,Kiro 每次执行都自动遵守 — 不用每次对话重复 “我们项目用 X 风格”。

这跟 Harness Engineering 里讲的”铺轨道 + 围栅栏”理念相通 — Kiro 的 Spec 模式就是 Harness 思维在 IDE 层的具体实现。

3. 关键对位:Kiro vs DeepSeek Harness

这是这篇博客最重要的视角。两个工具代表了 2026 年 AI 编程的两个分叉:

维度	Kiro(AWS · 国际)	DeepSeek Harness(国产)
提出方	AWS	DeepSeek
底层模型	Bedrock → Claude/Qwen/DeepSeek	DeepSeek 自家
核心范式	Spec-Driven(规范先行)	Plugin-Driven(插件化系统级)
执行路径	文档 → 任务 → Agent 执行	用户 → Harness → 插件系统 → 模型
规范化方式	requirements/design/tasks 三文档	CODIS 插件配置 + Harness 规则
地区可用性	中国大陆受限(Claude 被屏蔽)	国内全功能可用
定价	$20-$200/月 + Credits	暂未公布(产品刚发布)
代表用户	国际化团队 / 中大型项目	国内开发 / 国产化替代

核心差异:Kiro 走”显式规范”路线(把规范写成 Markdown),DeepSeek Harness 走”隐式系统”路线(用插件系统隐式管理)。 两种思路各有优劣:

Kiro 优势:规范可见可改,团队协作对齐
DeepSeek 优势:不用写文档,系统自动处理,新手友好

给 Neo 的判断:2026 年 AI 编程赛道会分叉成两个方向 — 显式规范(Kiro / .cursorrules)和隐式系统(Harness / Plugin)。 两者不冲突,会共存。

完整 DeepSeek Harness 拆解见 DeepSeek Harness 全景。

4. Spec 模式实战工作流(3 步走)

Kiro 最核心的使用方法,3 步走完一个完整功能:

步骤 1:创建 `requirements.md`(需求文档)

AI 把你的自然语言需求拆成结构化文档,包括:

用户故事
验收标准(可勾选)
边界条件
非功能需求

这一步实际上把”产品经理 + 测试工程师”的活干了。

步骤 2:创建 `design.md`(设计文档)

基于 requirements,AI 输出:

技术选型(语言/框架/数据库)
架构图 + 实体类
数据表结构
API 端点

这一步把”架构师 + 程序员”的活干了。

步骤 3:创建 `tasks.md`(任务清单)

基于 design,AI 拆成可执行的 task 列表,按依赖关系分必须和可选。每个 task:

可以直接点击执行
失败时 AI 自我修复直到通过
默认以”测试用例全部通过”为终点

这一步把”开发者 + QA”的活干了。

工作流图

自然语言需求
    ↓
[AI 自动拆解]
    ↓
requirements.md (需求文档)
    ↓
design.md (设计文档)
    ↓
tasks.md (任务清单)
    ↓
[点击 task 触发 AI 执行]
    ↓
代码生成 → 测试运行 → 失败自动修复
    ↓
所有 task 通过 = 功能完成

5. 定价 + Credits + 地区限制

定价(6 档)

方案	月费	Credits	模型权限
Free	$0	50	Qwen, DeepSeek, Claude Sonnet
Pro	$20	1,000	含 Opus
Pro+	$40	2,000	—
Pro Max	$100	5,000	—
Power	$200	10,000	重度个人
Enterprise	定制	定制	SSO + 组织计费

超出部分按 $0.04/credit 计费。

Credits 消耗规则

最小计量:0.01 credits
模型倍率:
- Qwen3 Coder Next:0.05×-0.25×(最便宜)
- Claude Haiku:0.4×
- Claude Sonnet:1.3×
- Claude Opus:~2.2×(最贵)

地区限制(中国大陆用户必看)

Anthropic(Claude 研发方)的服务条款对支持的国家/地区有严格清单,中国大陆及港澳台地区不在 Claude 正式服务区域内。

后果:

Kiro 检测到登录 IP 在受限地区 → 自动隐藏 Claude 系列模型,只显示 DeepSeek/Qwen 等
即使升级到 Kiro Pro 付费版,Claude 模型依然不会显示
没有开关可以强制开启 Claude — 这是服务端合规拦截,不是本地功能

国内用户建议:

直接用内置的 Qwen / DeepSeek(代码生成能力已足够前端/中后端开发,Credits 消耗只有 Claude 的 5-25%)
想要稳定用 Claude → 需在合规支持地区通过当地网络登录,或直接用 Anthropic 官方 API

6. 适用 vs 不适用场景

✅ 适合

复杂系统 / 中大型功能开发(多模块跨层)
从原型到生产的工程化落地(MVP → 可交付)
遗留代码重构与长期维护
高合规与强规范场景(金融 / 医疗 / 企业级后台)
AWS / 云原生技术栈团队
重视协作对齐的中小团队
教育与学习导向的开发者

❌ 不适合

几十行临时脚本 / 一次性爬虫(用 Cursor / Windsurf 更快)
完全拒绝审查 Spec 与 Diff 的团队
必须完全离线、纯本地模型的场景
完全不懂编程的纯新手(下面解释)

新手踩坑:3 遍运行的经验教训

一个 B 站 UP 主(经济学转行程序员)用同一需求跑了 3 遍,结果差异显著:

尝试	提示词	本地环境	结果
第 1 遍	无技术栈指定	无准备	生成 Node.js,本地无环境跑不起来
第 2 遍	明确 Spring Boot + HTML	Java 未配好	Kiro 强行解决报错完成,过程坎坷
第 3 遍	指定 Spring Boot + 具体版本	Java 17 + Maven 已配	最顺畅,一次跑通

关键洞察:

不懂编程 → Kiro 生成的大项目里到处报错,反而是灾难
懂一点编程 → 提前约定规范、配置环境,跟 AI 配合最佳
核心原则:成为会使用工具的人,不是依赖工具的人

这跟 AI 协作必知 4 件事里讲的”AI 是超级实习生”完全一致 — 你不能完全不懂,得懂到能审查它的工作。

7. 跟 AI 编程三阶的关系

Kiro 的设计哲学跟 AI 编程三阶的对应:

层级	关注点	Kiro 的对应
Prompt Engineering	怎么问问题	requirements.md 模板
Context Engineering	怎么给信息	design.md + Steering Files
Harness Engineering	怎么搭系统	Spec 模式 + Agent Hooks

Kiro 是当前最接近”AI 编程三阶完整落地”的 IDE 之一 — 大部分 AI IDE 只解决了其中 1-2 阶,Kiro 三阶全包。

完整 Context 三阶拆解见 Context Engineering。

8. 收尾:3 条建议

给”想试试 Kiro”的人

别从 0 起步,从”重构一段老代码”开始 — Kiro 的 Spec 模式在小改动上效果最明显,大项目反而显得啰嗦
先写 Steering Files,再让 Kiro 干活 — 提前把项目规范写成 Markdown,比每次对话重复强 10 倍
国内用户用 Qwen/DeepSeek 就够了 — Claude 在国内不可用,内置的国产模型已够 80% 场景

给”已经在用 AI IDE 的人”

Kiro 不是 Cursor 的替代,是工作流升级。如果你已经习惯:

“说完需求 AI 直接写代码” → Cursor / Windsurf 更轻
“需要严格规范和团队对齐” → Kiro 更合适
“系统级治理 + 插件化” → DeepSeek Harness

2026 年 AI 编程不再是”哪个 IDE 最好”,是”你的团队需要哪种工作流”。

Kiro AI IDE:AWS 出的"规范驱动开发"工具,跟 DeepSeek Harness 形成国际/国内对位

0. 一句话定论

1. Kiro 是什么 — 3 个关键事实

事实 1:AWS 出品,基于 Bedrock

事实 2:核心理念是”规范驱动”

事实 3:不是单点工具,是工作流

2. Kiro 的 5 个关键特性

3. 关键对位:Kiro vs DeepSeek Harness

4. Spec 模式实战工作流(3 步走)

步骤 1:创建 `requirements.md`(需求文档)

步骤 2:创建 `design.md`(设计文档)

步骤 3:创建 `tasks.md`(任务清单)

工作流图

5. 定价 + Credits + 地区限制

定价(6 档)

Credits 消耗规则

地区限制(中国大陆用户必看)

6. 适用 vs 不适用场景

✅ 适合

❌ 不适合

新手踩坑:3 遍运行的经验教训

7. 跟 AI 编程三阶的关系

8. 收尾:3 条建议

给”想试试 Kiro”的人

给”已经在用 AI IDE 的人”

相关阅读

// comments

0. 一句话定论

1. Kiro 是什么 — 3 个关键事实

事实 1:AWS 出品,基于 Bedrock

事实 2:核心理念是”规范驱动”

事实 3:不是单点工具,是工作流

2. Kiro 的 5 个关键特性

3. 关键对位:Kiro vs DeepSeek Harness

4. Spec 模式实战工作流(3 步走)

步骤 1:创建 requirements.md(需求文档)

步骤 2:创建 design.md(设计文档)

步骤 3:创建 tasks.md(任务清单)

工作流图

5. 定价 + Credits + 地区限制

定价(6 档)

Credits 消耗规则

地区限制(中国大陆用户必看)

6. 适用 vs 不适用场景

✅ 适合

❌ 不适合

新手踩坑:3 遍运行的经验教训

7. 跟 AI 编程三阶的关系

8. 收尾:3 条建议

给”想试试 Kiro”的人

给”已经在用 AI IDE 的人”

相关阅读

// comments

步骤 1:创建 `requirements.md`(需求文档)

步骤 2:创建 `design.md`(设计文档)

步骤 3:创建 `tasks.md`(任务清单)