开发工具 on Kalend's Blog

Kiro IDE上手：AWS的Spec驱动编程，和Cursor/Claude Code有何不同

Fri, 31 Jul 2026 08:30:00 +0800

当所有AI IDE都在比谁生成代码更快时，Kiro说：先停下来写需求文档。

先说结论

Kiro是AWS推出的Agentic AI IDE，2025年7月预览、2026年5月正式版。它基于VS Code (Code OSS)，和Cursor、Windsurf同源。

但Kiro的核心卖点不是"写代码更快"，而是Spec-Driven Development——先规划后执行。这和Cursor的对话式编程、Claude Code的终端式Agent形成了三种截然不同的方法论。

值得试，但不必all-in。Free tier 50 credits够体验Spec模式。

一、Kiro是什么？AWS为什么要做IDE

Kiro（读作 keer-oh）的官方口号是"Move beyond AI coding to agentic engineering"。

翻译成人话：别再vibe coding了，该升级了。

AWS做IDE的战略意图很明确——从云基础设施延伸到开发者工具链。你用Kiro写代码，部署大概率用AWS，形成闭环。

技术栈上，Kiro基于Code OSS（VS Code 的开源版本），和Cursor、Windsurf是同一个底座。如果你用过VS Code，上手零成本。

52+ 个内置集成（Figma、Postman、Datadog、Stripe、Supabase、Terraform等），AWS生态的优势在这里体现得很明显。

二、Spec-Driven Development——Kiro的核心差异

这是Kiro和其他所有AI IDE的最大区别。

什么是Spec？ 就是把"一句话需求"拆成三份结构化文档：

阶段	产出文件	内容
Requirements	requirements.md	用户故事 + 验收标准
Design	design.md	技术架构 + 序列图 + 数据流
Tasks	tasks.md	可追踪的离散任务列表

两种Spec类型：

Feature Specs：构建新功能，支持Requirements-First和Design-First两种变体
Bugfix Specs：系统化诊断和修复bug，防止回归

还有个Quick Spec模式，跳过审批门，一步生成全部三个文件。适合赶工期的场景。

和Cursor的本质区别是什么？

Cursor是"边聊边写"——你和AI对话，AI直接吐代码。快，但容易失控。需求改了，之前生成的代码可能全废。

Kiro是"先规划后执行"——需求锁定、设计评审、任务拆分，然后才开始写代码。慢一点，但每一步都有文档可追溯。

类比：Cursor像直接上手做饭，边做边尝；Kiro像先写菜谱，再按步骤执行。前者灵活但不可复制，后者可复制但缺灵活性。

这个区别对个人hack影响不大，但对团队协作意义重大。Spec可共享，产品经理和工程师可以在同一份文档上协作。

三、并行Agent + 正确性验证

并行Agent执行

Kiro是少数内置并行Agent的AI IDE——它会分析tasks.md的依赖关系，构建依赖图，然后把独立任务分组为Wave。

Wave之间顺序执行，Wave内任务并发。理论上比逐个执行快很多。

Property-Based Testing

这个很有意思。Kiro不只跑单元测试，还用属性测试（property-based testing）做正确性验证。

区别在哪？单元测试是"输入A，期望输出B"。属性测试是"对任意输入，这个规则都应该成立"。

比如一个排序函数，单元测试可能测5个case都过了，但属性测试会随机生成1000个数组，验证"输出是否始终有序"这种不变量。

Kiro甚至在写代码前就用自动推理技术检查需求的矛盾和缺口。这是"测试左移"做到极致的体现。

Agent Hooks

基于触发器自动执行任务。比如提交代码时自动跑单测、更新文档。类似Git Hooks，但由AI执行。

四、多端统一 + 模型生态

四端支持

端	特点
IDE	桌面端，macOS/Windows/Linux
CLI	终端工作流，bash/zsh/fish + 500+ CLI 自动补全
Web	浏览器端，云端沙箱，关机后继续运行
Mobile	iOS

Web端很关键——云端沙箱意味着你可以在手机上启动一个任务，关掉电脑，让它在云端跑完。这对长时间构建场景很实用。

模型生态

Kiro的模型丰富度在AI IDE里属于第一梯队：

Auto模式（推荐）：自动为每个任务选最优模型，综合考虑质量、延迟、成本。

Anthropic Claude全系：从Haiku 4.5（0.4x credit）到Opus 5（2.2x，实验性），覆盖所有场景。上下文最高1M tokens。

OpenAI GPT-5.6 首次登陆（7/13）：三个变体——Sol（2.4x，最难任务）、Terra（1.2x，日常开发）、Luna（0.6x，性价比）。

开源/开放权重模型：

Qwen3 Coder Next（0.05x，最便宜）
DeepSeek 3.2（0.25x）
MiniMax M2.1/M2.5（0.15x-0.25x）
GLM-5（0.5x）

开源模型的credit倍率极低，Qwen3 Coder Next只要0.05x，适合 CLI 长时间跑 Agent。

开放标准

支持ACP（Agent Client Protocol）、AGENTS.md、Skills.md、MCP。VS Code 扩展和设置可直接导入。

五、定价与性价比分析

计划	月费	Credits	模型权限
Free	$0	50	开源模型 + Claude Sonnet 4.5
Pro	$20	1,000	全部模型
Pro+	$40	2,000	全部模型
Pro Max	$100	5,000	全部模型
Power	$200	10,000	全部模型

关键细节：

超额购买：$0.04/credit（个人版手动购买，团队版可自动超额）
新用户首充送$20 credit
学生计划：1,000 credits/月，免费1年
月度重置，未用credits不累积

和Cursor对比：Cursor Pro也是$20/月，但不按credit计费，按请求次数。Kiro的credit制更透明——你可以精确知道每个操作花了多少钱。

不同模型消耗credit的倍率不同。同一个任务，用Sonnet 4.6是Auto的1.3x，用Opus是2.2x，用Qwen3 Coder Next只有0.05x。

实际体感：Pro $20/月1000 credits，如果主要用Auto模式，日常开发够用。如果频繁用Opus做复杂任务，可能不够。

六、和Cursor/Claude Code的实操对比

方法论差异

维度	Kiro	Cursor	Claude Code
方法论	Spec-Driven + Vibe双模式	Chat-Based + Tab补全	纯对话式Agent
形态	IDE + CLI + Web + Mobile	IDE	CLI
开发流程	需求→设计→任务→实现	对话→代码生成	对话→代码生成
文档化	自动生成三份Spec文档	无内置文档化	依赖AGENTS.md
并行Agent	内置依赖图+Wave并发	无内置并行	无内置并行
正确性验证	Property-based testing	依赖单元测试	依赖单元测试
模型选择	多厂商多模型	多厂商	仅Claude
定价	$0-200/月，credit制	$0-40/月	按token计费

适合场景对比

选Kiro的场景：

团队协作，需要结构化开发流程
需求复杂，需要先规划再执行
重视文档化，Spec可作为项目资产
已在AWS生态内

选Cursor的场景：

个人开发，快速原型
习惯对话式交互，边聊边写
预算敏感（$20/月固定，不按量计费）
需要Tab补全这种细粒度辅助

选Claude Code的场景：

终端党，不想离开命令行
只信任Claude模型
需要深度理解大型代码库
按token计费对轻度用户更划算

七、结论与建议

Kiro的真正价值不是IDE本身，而是Spec方法论。

你完全可以在Cursor里用类似的工作流——先让AI写需求文档，再拆任务，再逐个实现。但Kiro把这个流程产品化了，自动化了，并且加了并行Agent和属性测试。

我的建议：

先用Free tier体验Spec模式，看看"先写需求再写代码"是否适合你的工作方式
如果你已经在用Cursor且满意，不必急着切换——Spec方法论可以手动在Cursor里实践
团队场景值得重点评估——Spec可共享这点是Cursor和Claude Code都没有的
开源模型的credit倍率极低（Qwen3 0.05x），预算有限可以主打开源模型

AWS入场AI IDE，最大的意义不是多了一个选择，而是把"Spec-Driven"这个概念推到了台面上。不管最终用不用Kiro，“先规划后执行"这个思路值得每个开发者思考。

作者：varkm

Claude Code、Codex、OpenCode、ZCode 四款AI编程Agent怎么选：工具是方法论的载体

Sat, 11 Jul 2026 08:00:00 +0800

Claude Code 对应 Context Engineering 阶段，Codex 对应安全工程阶段，OpenCode 对应自由探索阶段，ZCode 对应可视化协作阶段。四款工具不是同一赛道的四匹马，而是四个方法论阶段的代表作。选工具之前，先搞清楚你想停在哪个阶段。

为什么"选工具=选阶段"

Vibe Coding → Context Coding → Agentic Engineering，这是 AI 编程方法论的三阶进化。我在之前的文章里详细拆过这三个阶段的演进逻辑，这里只说核心：每个阶段对"人机协作的信任边界"定义完全不同。

Vibe Coding 阶段，你把 AI 当高级自动补全，写一行说一行。Context Coding 阶段，你给 AI 写一份"施工图纸"，让它按图执行。Agentic Engineering 阶段，你给 AI 一个目标和约束，让它自己规划路径。

四款工具的设计哲学，恰好对应这四个坐标点。

Claude Code：Context Engineering 的代表作

Claude Code 的核心设计哲学是"先规划后执行"。

CLAUDE.md 文件是它的核心。在项目根目录放一个 CLAUDE.md，写清楚项目架构、编码规范、关键约束，Claude Code 在每次对话开始时自动加载。这不是一个配置文件，这是一份"工程合同"——你和 AI 之间的权责边界白纸黑字写在上面。

Permission mode 是另一个关键设计。开启 plan-first 模式后，Claude Code 在做多文件重构之前会先输出一份 Plan 文档，你审批通过后才动手。这不是多余的步骤，这是 Context Engineering 的核心：让 AI 先把思路亮出来，人类确认方向正确再执行。

Headless 模式支持无人值守，配合 Git worktrees 可以让 Claude Code 在独立分支上干活，不影响你的主分支。MCP 协议集成让它能连接外部工具链。

模型方面，Opus 4.8 是目前推理能力最强的编码模型，适合架构级决策。Sonnet 5 更快，适合日常编码。上下文策略是激进压缩——保留用户消息不动，压缩模型自己的历史输出。

定价：Pro $20/月，Max $200/月，或 API 按量付费。

适合场景：大型项目重构、架构级修改、需要深度推理的多文件协同变更。如果你的项目超过 5 万行代码，Claude Code 的 Context Engineering 能力是四款里最强的。

Codex CLI：安全优先的工程实践

Codex CLI 的设计哲学是"不信任但验证"。

三级审批模式是它的核心卖点。suggest 模式只给建议不改文件，auto-edit 模式可以自动修改代码但不执行命令，full-auto 才是完全自主执行。这三级模式不是可选的装饰，而是默认的安全策略。你不需要记住哪些操作需要审批，沙箱自动帮你隔离风险。

--ask-for-approval 参数控制审批粒度。你可以设置"修改文件前必须确认"，也可以设置"只在执行危险命令时确认"。粒度完全由你控制。

并行 Agent 能力是 Codex 的另一个优势。你可以同时启动多个 Agent 处理不同任务，它们各自在独立沙箱里运行，互不干扰。

模型方面，GPT-5.6 是 OpenAI 最新发布的模型家族，针对编码场景有专门优化。上下文策略是"用户消息一字不动，模型自己的全部可压"——和 Claude Code 的激进压缩有微妙但重要的区别。

定价包含在 ChatGPT Plus/Pro 订阅中，或 API 按量付费。CLI 本身开源。

适合场景：安全敏感的企业环境、需要并行执行多个编码任务、已经在 OpenAI 生态里的团队。

OpenCode：最大自由度的开源方案

OpenCode 的设计哲学是"你的模型，你的规则"。

BYOK（Bring Your Own Key）支持 75+ 个 LLM 提供商。你可以接 OpenAI、Anthropic、Google，也可以接国产模型——DeepSeek、Qwen、GLM 都行。这意味着你可以用同一个工具，在不同项目里用不同模型，成本完全可控。

它自带 Zen 模型精选，是社区维护的"针对编程优化过的模型推荐列表"。不知道选什么模型的时候，Zen 列表是个不错的起点。

Subagent 架构支持子代理并行。隐私优先设计保证数据不离开本地。桌面版目前在 Beta 阶段，降低了 CLI 的使用门槛。

上下文管理采用"可逆隐藏"策略——历史对话不会被真正删除，理论上可以恢复。这在需要回溯 AI 决策过程时很有价值。

180K+ GitHub Stars 说明社区认可度。免费开源，模型费用自付。接国产模型的话，日常编码成本可以压到接近零。

适合场景：预算敏感、想用国产模型、隐私优先、中等规模项目（1-2 万行）。但要注意：项目超过 5 万行或有复杂跨模块依赖时，OpenCode 的 orchestration 层不如 Claude Code 流畅。

ZCode 3.0：可视化的国产方案

ZCode 3.0 的设计哲学是"把开发流程塞进桌面应用"。

它是四款里唯一的桌面 ADE（Agentic Development Environment）。不想用 CLI？不想配环境变量？打开桌面应用就能开始写代码。这个定位对非终端用户非常友好。

GLM-5.2 是智谱自研的旗舰模型，1M 上下文窗口。作为原生适配的模型，ZCode 对 GLM-5.2 的调用效率和效果优化是其他工具接 API 做不到的。

多 Agent 协作和技能系统（Skills）是 ZCode 的差异化特性。需求理解 → 计划拆解 → 代码修改 → 验证，全流程在可视化界面里完成。

定价：首次 5 天免费，每天 300 万 token，之后走 GLM Coding Plan 订阅。

适合场景：不想用 CLI 的开发者、中文场景、想免费体验国产最强编程模型。

方法论适配度对比

维度	Claude Code	Codex CLI	OpenCode	ZCode
安全模型	Permission mode 审批制	三级审批模式隔离	本地优先不外传	桌面隔离
上下文策略	激进压缩，保留用户消息	保留用户消息，压缩模型输出	可逆隐藏，历史可恢复	桌面界面管理
模型灵活度	仅 Claude 系列	仅 GPT 系列	75+ 提供商自由切换	仅 GLM 系列
交互形态	终端优先	终端 + VSCode	终端 + 桌面(Beta) + IDE	桌面 ADE
并行能力	Headless + worktrees	并行 Agent	Subagent 架构	多 Agent 协作
学习曲线	中（需写 CLAUDE.md）	低	中	低（可视化）
开源	否	CLI 开源	完全开源	否
中文优化	一般	一般	一般	原生支持

决策树：四条路径，选哪条

你重视安全隔离吗？ 在企业环境里写代码，或者处理敏感数据，需要沙箱级别的权限隔离 → 选 Codex CLI。

你重视推理深度吗？ 项目规模大、架构复杂、需要 AI 先理解全局再动手，愿意花时间写 CLAUDE.md → 选 Claude Code。

你重视模型自由度和预算吗？ 想在不同项目里用不同模型，或者想接国产模型把成本压到接近零，项目规模中等 → 选 OpenCode。

你不想用 CLI / 要中文优化吗？ 不想配环境、不想记命令、想要可视化界面、中文场景优先 → 选 ZCode。

如果以上四条你都犹豫，说明你还在 Vibe Coding 阶段——用什么都行，先用起来再说。等你写够 5000 行 AI 辅助代码之后，自然知道自己需要什么。

结论

没有"最好的工具"，只有"最适合你阶段的工具"。Claude Code 的 CLAUDE.md 是工程纪律，Codex 的沙箱是安全底线，OpenCode 的 BYOK 是自由选择，ZCode 的可视化是降低门槛。这四款工具更新很快，但方法论的演进方向不会变：从"我说你做"到"你理解我的意图自己做"。

varkm