作者 | 于曦
过去一年,AI 编程工具的能力边界不断扩展:从补全代码、生成函数,到理解项目结构、拆解任务,并尝试连续执行更长的开发流程。对开发者来说,问题也随之变化——关注点不再是只是模型能不能写出代码,还包括它能否理解项目上下文、遵循工程约束,并在多轮开发和验证中稳定地完成任务。
这一步并不容易。真实项目中的需求往往并不完整,业务目标、验收标准和技术约束分散在不同角色、文档和系统里。即使代码顺利运行,也不代表它符合性能、成本、安全和可维护性要求;即使测试通过,也需要确认测试覆盖的是业务真正关心的结果。随着 AI 参与的工作从单段代码扩展到完整功能乃至整个交付流程,需求如何表达、任务如何拆解、结果如何验证,正在成为新的工程问题。
因此,AI 编程从 Demo 走向生产环境,考验的不只是模型能力,也包括团队如何设计协作方式:
哪些工作可以交给 Agent?
哪些判断需要人来完成?
组织已有的架构规范、产品知识和质量要求又该如何进入 AI 工作流?
本期直播将以 Kiro 为实践场景,从模型能力、工程方法到项目交付,讨论 AI 编程怎样从“生成代码”进一步走向“完成工程任务”。
三位嘉宾,从模型、方法聊到交付
本期节目由 InfoQ 总经理兼总编辑 王一鹏主持,邀请三位嘉宾参与讨论:
Raja SP,亚马逊云科技首席解决方案架构师、AI-DLC 创立者,将讨论如何把模糊需求转化为用户故事、验收标准和工程约束,以及为什么 AI 开发需要清晰的中间产物和验证机制。
唐飞虎,Kimi 研发工程师、开发者关系负责人,曾任 Google 软件工程师,将分享 Kimi K3 的模型能力,以及它在长程编程、游戏设计和硬件开发等场景中的实践。
Warren Chen,亚马逊云科技解决方案架构师,将通过 Kiro 的演示,呈现多个 Agent 如何参与开发、测试、合规审查和部署,并分享人在流程中的审核与协作方式
这场圆桌会聊到哪些问题?
模型能力持续提升,AI 编程正在从代码生成走向更长任务、更多步骤和更复杂的企业研发场景。但模型能力变强之后,团队就能直接把完整需求交给 AI 吗?面对真实项目中的需求拆解、协作流程和质量要求,工程方法又该如何跟上?
Raja SP是 AI-DLC 的创立者,也是亚马逊云科技首席解决方案架构师。他将围绕 AI-DLC 2.0,分享如何重新组织研发协作:当 AI 能够完成更多工作,需求、验收标准和工程约束应该怎样进入流程?人又应该在哪些关键节点参与判断和审核?这部分内容将从方法论角度,讨论 AI 如何从“辅助开发”走向更完整的软件交付。
唐飞虎是 Kimi 研发工程师、开发者关系负责人。他将分享 Kimi K3 在长任务、多步骤任务和企业研发场景中的能力与实践,并谈到开源模型的选择思路。对于团队而言,面对不同任务,是否都要使用能力最强的模型?怎样判断模型的能力边界,并在效果、推理时间和使用成本之间做取舍?这些问题都将结合模型实践展开。
两位嘉宾的分享之后,亚马逊云科技解决方案架构师 Warren Chen 也演示了 Kiro 的开发流程。王一鹏也将主持圆桌讨论。作为 InfoQ 极客传媒总经理兼总编辑,他将带着技术媒体对产业实践的观察,进一步追问模型与方法如何配合:当 AI 的输出不符合预期,问题究竟出在模型能力、需求表达,还是工程流程?团队又该从哪里开始,把 AI 编程真正带入日常研发?
从 AI-DLC 2.0 到 Kimi K3,再到围绕真实研发场景展开的对话,这场圆桌将尝试回答一个更具体的问题:模型能写完整功能之后,团队怎样才能把它变成可靠的工程交付能力?
从 Kiro 工作流,看多个 Agent 如何协作交付
亚马逊云科技解决方案架构师 Warren Chen 演示的 Kiro 的开发流程将进行演示:
用户提交需求后,编排器会把任务分发给不同角色的 Agent,包括产品、前后端开发、动效设计、测试、合规审查和部署等。它们并不是简单地依次生成代码,而是在一个可观察的流程里分工协作:产品 Agent 先整理需求,开发 Agent 并行处理任务,测试 Agent 验证结果,合规 Agent 检查上线风险,最后由部署 Agent 推进发布。
演示将会从一个很具体的场景开始……
或许“一句话生成一个应用”是真实的,但是最落地的,却是 AI 参与开发后,工程流程如何承接它的工作。不同 Agent 如何分工?发现问题后,任务能否回到正确的环节?测试、合规和上线检查如何形成闭环?人在什么节点审批,又如何把组织规范和项目经验补充给 Agent?这些问题决定了多 Agent 工作流能否从演示走向可用。
在 Kiro 的流程中,项目状态、测试结果、Agent 的处理记录、知识库引用和人工审批节点都可以被观察。对于团队来说,这类可追踪性有助于理解 AI 做了什么、依据什么完成任务,以及哪些环节仍需要人来确认。演示也会展示开发、测试、合规审查和部署之间的往返协作,让观众看到一个需求如何在多轮执行与反馈中逐步接近可交付状态。
观看直播,你可以获得什么?
理解 AI 编程的工程边界:看清模型生成代码与完成真实项目之间的差距,了解需求、测试、质量和交付为何缺一不可。
获得一套方法视角:了解 AI-DLC 如何通过需求拆解、验收标准和分阶段协作,降低模糊意图带来的偏差。
观察多 Agent 的实际协作:通过 Kiro 演示,了解 Agent 如何分工执行、发现问题、相互反馈并进入部署流程。
找到团队落地的起点:了解个人开发者和工程负责人分别可以从哪些实践开始,逐步把 AI 融入日常研发。
模型能力仍在快速演进,但让 AI 稳定参与真实研发,仍离不开工程方法、有效验证和团队协作。11 月 20 日,欢迎观看本期直播,从 Kiro 的实践出发,听三位嘉宾聊聊 AI 编程从模型走向工程交付的关键问题。
AI-DLC 2.0 全新升级 × Kimi K3 in Kiro 正式发布,敬请关注。