kiro

GitHub
609 172 简单 1 次阅读 2天前MIT语言模型插件
AI 解读 由 AI 自动生成,仅供参考

Kiro 是一套专为亚马逊 Kiro IDE 打造的系统提示词(System Prompts)与规范驱动开发指南。它旨在解决软件开发中需求模糊、设计脱节以及执行混乱的痛点,通过引入“需求→设计→任务”的三阶段标准化流程,帮助团队将抽象的想法转化为可落地的代码方案。

这套工具特别适合开发者、技术负责人及项目经理使用,尤其是那些希望借助 AI 提升工程效率、追求高质量交付的团队。其核心亮点在于提供了一套完整的结构化方法论:不仅包含基于 EARS 标准的需求梳理方法,还涵盖了详细的设计文档模板、任务拆解策略以及针对 AI 协作的高效提示词技巧。此外,Kiro 内置了决策框架与思维链示例,能够引导 AI 进行更严谨的逻辑推理,确保从规划到执行的每一步都清晰可控。无论是新手入门还是资深专家优化工作流,Kiro 都能通过丰富的案例库和即用型模板,让规范驱动开发变得简单高效,真正实现人与 AI 的深度协同。

使用场景

某电商初创团队的后端工程师正急需在两周内上线一个复杂的“动态库存锁定与释放”功能,以应对即将到来的大促活动。

没有 kiro 时

  • 需求理解模糊:开发人员直接凭直觉写代码,导致对“超卖临界值”和“并发锁粒度”的理解与产品经理不一致,后期返工频繁。
  • 设计缺失:缺乏系统性的架构文档,数据库事务边界定义不清,上线后在高并发场景下出现死锁和数据不一致。
  • 任务拆解混乱:开发任务颗粒度太大,AI 助手生成的代码往往过于笼统,无法直接运行,需要人工反复修改调试。
  • 协作效率低下:前后端接口定义靠口头沟通,联调时发现字段类型不匹配,浪费了大量时间在修复低级错误上。

使用 kiro 后

  • 需求精准结构化:利用 kiro 的 EARS 规范引导,将模糊的业务描述转化为精确的可执行需求,确保团队对“库存扣减逻辑”达成唯一共识。
  • 设计先行落地:通过三阶段流程自动生成包含时序图和数据库 schema 的详细设计文档,提前识别并解决了潜在的死锁风险。
  • 任务原子化执行:kiro 将设计自动拆解为细粒度的编码任务,AI 基于具体上下文生成的代码片段可直接集成,大幅减少调试时间。
  • 标准化协作流:生成的规格说明书自动包含明确的接口契约,前后端并行开发无障碍,联调一次通过率显著提升。

kiro 通过将非结构化的想法转化为严谨的工程规格,让团队从“边写边改”的混乱模式转型为“按图施工”的高效交付流程。

运行环境要求

操作系统
  • 未说明 (跨平台,依赖 Python 环境)
GPU

不需要 (非深度学习模型,仅为规范文档和提示词工具)

内存

未说明

依赖
notes该工具并非传统的 AI 模型,而是一套基于规范驱动开发(Spec-Driven Development)的方法论指南、模板集合以及 MCP 服务器/插件。它不包含需要 GPU 运行的本地大模型权重文件。主要运行方式是通过 'uvx' 或 'pip' 安装 MCP 服务器,或作为 'Claude Code' 的插件使用。无需配置 CUDA 或下载大型模型文件。
python未说明 (需支持 uvx 或 pip 安装)
uvx (推荐)
pip
kiro-mcp-server
Claude Code (插件运行环境)
kiro hero image

快速开始

规格驱动开发指南

在 Smithery 中运行

一份全面的指南,介绍如何使用三阶段规格流程——需求 → 设计 → 任务——进行系统化的功能开发。

被以下项目使用

  • @kazini 在其规格工具包中使用:https://github.com/kazini/yask-spec-kit
  • 亚马逊在其内部演示文稿中提到:“这是我所见过关于[规格驱动开发]的最佳资料。我会将链接完整署名后分享给我的团队。”

🧭 导航指南

初次接触规格驱动开发? → 从 方法论概述 开始
准备创建你的第一个规格文档? → 直接跳转到 流程指南
寻找示例? → 浏览 示例与案例研究
需要模板? → 获取 即用型模板
与 AI 合作? → 学习 提示策略

📍 需要详细导航? → 查看 完整导航索引 - 按角色、问题或学习方式查找内容


📚 完整目录

🎯 方法论

了解规格驱动开发的基础概念和哲学

📋 流程指南

三阶段工作流的分步详解

🧠 AI 推理

关于决策框架与思维过程的深入见解

💬 提示策略

与 AI 合作的有效沟通技巧

执行指南

根据规格文档实现功能的实用指导

📚 资源

精选参考文献与学习材料

📖 示例

真实案例与完整规格示例

📝 模板

即用型模板与检查清单


快速入门

初次接触规格驱动开发?请从这里开始:

  1. 理解方法论 - 阅读 概述,掌握核心概念
  2. 查看实际应用 - 参阅 简单功能规格 示例
  3. 动手尝试 - 使用 需求模板 创建你的第一个规格文档
  4. 提升效果 - 应用 提示策略 与 AI 协作

导航提示

  • 📋 流程章节 提供分步指导
  • 🧠 AI 推理章节 解释决策背后的逻辑
  • 💬 提示章节 帮助你与 AI 进行高效沟通
  • 📖 示例 展示完整的实际应用
  • 📝 模板 提供开箱即用的起点

🔗 交叉引用与相关内容

按工作流阶段

按经验水平

快速解决问题


🔌 Kiro MCP服务器

Kiro MCP服务器通过模型上下文协议(MCP)公开Kiro的系统提示和指令,使其他AI助手和工具能够访问Kiro的最佳实践。

功能

  • 资源: 通过MCP资源访问所有Kiro系统文档文件
  • 工具: 以编程方式查询和检索特定的系统指令
  • 提示: 针对常见Kiro工作流的预配置提示

快速开始

安装并配置MCP服务器:

# 使用uvx(推荐)
uvx kiro-mcp-server

# 或者使用pip安装
pip install kiro-mcp-server

将以下内容添加到您的MCP客户端配置中(例如:~/.kiro/settings/mcp.json):

{
  "mcpServers": {
    "kiro-prompts": {
      "command": "uvx",
      "args": ["kiro-mcp-server"],
      "disabled": false
    }
  }
}

更多详情,请参阅MCP服务器文档


🎯 Claude代码插件

Kiro作为可安装的Claude代码插件提供,包含7项技能,遵循agentskills.io规范。

快速安装

# 在Claude代码中
/plugin marketplace add https://github.com/jasonkneen/kiro
/plugin install kiro-spec-driven@kiro-marketplace

可用技能

安装完成后,Claude会在相关场景下自动调用这些技能:

技能 描述 使用场景
规范驱动开发 掌握方法论 “为……创建规范”
需求工程 EARS格式 “为……编写需求”
设计文档 技术架构 “设计架构……”
任务分解 实施计划 “将其分解为任务……”
AI提示 AI沟通 “如何更好地提示……”
质量保证 测试策略 “针对……的测试策略”
故障排除 问题解决 “调试这个问题……”
创建指导性文档 项目指南 “创建指导性文档……”

安装选项

# 用户范围(在任何地方可用)
/plugin install kiro-spec-driven@kiro-marketplace

# 项目范围(通过git共享)
/plugin install kiro-spec-driven@kiro-marketplace --scope project

验证技能

./scripts/validate-skills.sh

更多详情,请参阅插件文档技能文档


本指南旨在作为学习资源和参考手册。您可以根据当前需求跳转至任意章节,或按顺序阅读以获得全面理解。

📍 如需按角色、问题或学习风格进行详细导航,请参阅完整导航索引

相似工具推荐

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架

PaddleOCR

PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。

74.9k|★★★☆☆|今天
语言模型图像开发框架

OpenHands

OpenHands 是一个专注于 AI 驱动开发的开源平台,旨在让智能体(Agent)像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点,通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员,还是需要快速原型验证的技术团队,都能从中受益。OpenHands 提供了灵活多样的使用方式:既可以通过命令行(CLI)或本地图形界面在个人电脑上轻松上手,体验类似 Devin 的流畅交互;也能利用其强大的 Python SDK 自定义智能体逻辑,甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK,这不仅构成了平台的引擎,还支持高度可组合的开发模式。此外,OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩,证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能,支持与 Slack、Jira 等工具集成,并提供细粒度的权限管理,适合从个人开发者到大型企业的各类用户场景。

70.6k|★★★☆☆|今天
语言模型Agent开发框架