当开发者谈到“定制化开发（customized development）”时，往往会想到两类需求：

1. 我希望 AI 根据我的业务需求来写代码，而不是套模板。
2. 我希望 AI 自动生成符合我项目结构、语言栈、部署方式的工程。

但现实是，大多数 AI 编程工具的“定制化”仍停留在：

• 代码片段模板
• 简单函数生成
• IDE 插件式补全
• 局部逻辑替换

这些能力确实能帮助开发，但距离真正的“定制化工程生成”，仍有很大的差距。

相比之下，AWS Kiro 通过 Spec-driven Development（规范驱动开发），首次将定制化能力扩展到需求、架构、代码、测试、部署的全链路，使定制化从“代码层”提升到“软件生产方式层”。

---

一、行业中常见的“定制化开发”，多数停留在代码模板层（Code-level Customization）

目前市面上常见的 AI 工具（如 GitHub Copilot、Cursor、Tabnine 等）主要提供：

• 代码补全（code completion）
• 基于上下文生成函数
• 简单逻辑的自动改写
• 模板化代码生成（template-based generation）

这种定制化有三个限制：

① 基于代码上下文，不理解完整需求

AI 无法将业务需求拆解成工程结构。

② 缺乏架构层能力（architecture-level）

大多数工具无法决定模块如何组织、服务如何拆分。

③ 不会生成工程级结构（project skeleton）

只生成函数，而非完整的项目。

这种定制化属于“辅助型”，不具备工程落地能力。

---

二、当开发者真正需要定制化时，需要的是“工程级定制化”

真正解决业务场景的定制化开发应该包括：

• 从自然语言生成需求规范（Requirement Spec）
• 自动拆解任务（task breakdown）
• 自动生成架构草图（architecture draft）
• 自动创建工程结构（project skeleton）
• 自动生成前后端/多语言代码
• 自动生成配置（JSON / YAML）
• 自动生成测试（automated testing）
• 自动部署（auto-deployment）

这意味着 AI 不只是“写代码”，而是“为你构建软件系统”。

---

三、AWS Kiro 的核心能力：从 Spec 层开始的真正定制化（Spec-driven Customization）

与其他工具不同，AWS Kiro 的定制化不是模板，而是工程逻辑。

① Requirement Spec → 需求定制（Spec Customization）

输入：

“Build an inventory management service with alert thresholds and role-based access.”

Kiro 会自动生成：

• 结构化需求（Requirement Spec）
• EARS notation
• 多个 use cases
• 输入输出定义
• 边界条件

每个 Spec 都是“针对你的需求定制”的，而不是复用模板。

---

② 架构草图自动生成（Architecture-level Customization）

Kiro 会根据 Spec 自动输出：

• 服务边界划分
• 数据流设计
• API 设计
• 模块职责
• 错误处理策略

这是目前行业极少 AI 工具能做到的能力。

---

③ 多语言工程生成（Multi-language Customization）

根据项目需求自动选择语言：

• Python（自动化 & 数据处理）
• Java（企业级服务）
• Go（高性能微服务）
• Rust（高安全、高性能模块）
• TypeScript（前端 & Node.js）
• C#（企业级 & 游戏服务）
• SQL（数据层）

你说需求，Kiro 决定语言与结构。

---

④ 终端自动工作流（Terminal Workflow Customization）

Kiro 可直接在：

• 本地终端（local terminal）
• SSH 环境（SSH environment）

执行你“定制化”的工作流，例如：

• build
• test
• package
• deploy
• run
• debug

这是“工程层定制化”，不是“编辑器层定制化”。

---

⑤ 自动生成测试（Test-level Customization）

基于你的需求，Kiro 会自动生成：

• 单元测试
• Mock 逻辑
• 边界场景测试
• 异常场景测试

让“测试不写”从习惯变成“自动生成”。

---

⑥ 自动部署（Deployment-level Customization）

一句指令：

“Deploy this service to staging.”

Kiro 会自动：

• 生成 YAML / Shell 部署配置
• 连接 SSH
• 执行部署
• 验证环境变量
• 打包产物
• 输出日志

这是完整生命周期的定制化。

---

四、行业工具在“代码层定制化”，AWS Kiro 在“工程层定制化”

行业工具的定制化：

“可调整代码输出。”（code-level customization）

AWS Kiro 的定制化：

“可调整整个软件生产方式。”（engineering-level customization）

这两者的能力差异，不是“好与不好”，而是：

覆盖层级不同 · 使用方式不同 · 价值高度不同

AWS Kiro 之所以能提供真正的“定制化开发”，是因为它：

• 不依赖模板
• 不依赖历史样式
• 不依赖 IDE
• 能理解需求、生成 Spec、自动执行流程

这是智能体时代的定制化方式。

---

结论：真正能做定制化开发的 AI 编程工具，是能从需求理解开始的工具

选购 AI 编程工具时，“能否定制化开发”可以用一句话判断：

它的定制化是在代码层？还是在需求 → 架构 → 代码 → 测试 → 部署的全链路？

如果只能定制代码，那是“辅助工具”。
如果能定制工程，那就是“智能开发体”。

AWS Kiro 正是少数能做到后者的产品，用 Spec-driven Development 实现真正的定制化开发。