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

AI IDE on Kalend's Blog