AI 编程不靠运气,Kiro Spec 工作流复刻全攻略

新闻

作者：微信文章
一文复刻 Kiro Spec 工作流到 Cursor/ClaudeCode 等各种AI IDE

大家好，我是 Booker。

我最近研究 Kiro 的推文又爆了



再加上最近经常听到朋友们吐槽：AI IDE 里的大模型选择有时会受限，担心开发效率会不会大打折扣。我实践之后发现，只要方法用对了——比如 Kiro Spec 工作流——即使没有高级大模型，依然能让开发体验和产出大幅提升。

于是这次特地整理成一篇系统的文章，详细分享我的实操经验和方法论。无论你用的是 Cursor、Claude Code 还是其他 AI IDE，都可以参考这套方案。
拉霸式 vibe coding，真的靠谱吗？

你是否有过这样的体验：在 AI IDE 里输入一句模糊的需求，点击“生成”，满怀期待地等着 AI 给你一个完美的程序？结果却像在拉霸机前拉动拉杆——有时中个小奖，大多数时候却一无所获。

最近X上面流行这么一张图，非常形象：

拉霸游戏和 vibe coding 的异同：

拉霸游戏：买代币，拉拉杆，偶尔中大奖，更多时候是“再来一次”，最终庄家总是赢家。

氛围编程（vibe coding）：买 Tokens，写模糊提示，点“生成”，有时得完美代码，有时一团乱麻。AI 鼓励你“再试一次”，你安慰自己“这次一定能修好 bug”，但最终模型厂商总是赢家。偶尔你觉得自己赚到了，回头却发现花了更多时间。

Vibe coding 最大的问题是：它让开发变成了“碰运气”，而不是“可控的工程”。
常见的 vibe coding 流程示意图

黄色节点为“人”操作，蓝色为 AI 产出，红色为不理想结果。

有没有更好的办法？——传统研发流程是怎么做的

传统软件工程强调需求澄清、技术设计、任务拆分、过程可追溯。这样做虽然“慢”，但能让项目稳步推进、可复盘、可协作。每一步都有人参与评审，确保方向和细节都不会跑偏。

Kiro AI IDE 就把这种流程做成了“Spec 工作流”，让 AI 编程也能像工程师一样靠谱。
传统研发流程示意图

该流程强调需求评审和迭代反馈，体现传统软件工程的闭环和持续优化。

Kiro 的 Spec 工作流有多香？

Kiro 是 AWS 推出的 AI IDE，除了免费集成 Claude 4，更大的亮点是它的 Spec 工作流：

一个 Spec 可以说是一个规格/规范，如果用过BDD (行为驱动开发) 可能就会比较熟悉这个名词。

Spec 是用来解决如何把模糊的想法转化为详细的实施计划、跟踪和验收标准的问题。

每个 Spec 都是一个文件夹，下有 3 个核心文件：
requirements.md —— 需求文档（用 EARS 语法写用户故事和验收标准）design.md —— 技术方案（架构、流程、注意事项）tasks.md —— 任务清单（todolist，便于跟踪）

感觉有没有很熟悉？其实这和很多大厂的研发流程、敏捷开发的拆解方式如出一辙，但 Kiro 把它和 AI IDE 深度结合，极大提升了落地效率。
什么是 EARS 需求语法？

EARS（简易需求语法）最早用于喷气发动机控制系统，后来被软件工程广泛采用。它用简单句式约束需求，避免“模糊表达”，让需求更清晰、可落地。

参考资料：EARS 语法指南[1]

我还整理了一个速查表，可以快速理解一下：

例：When 用户点击“静音”，系统应当抑制所有音频输出。

例如一个完整的例子：


Claude Code/Cursor 也能复刻这套 Spec  

即使没有 Kiro，其他 AI IDE 也能复刻这套流程。以 Claude Code 为例，整个过程可以非常丝滑：

在项目下建立 CLAUDE.md

你可以把下面的提示词模板直接写进 CLAUDE.md，作为 AI 协作的“工作说明书”。最新版本的提示词可以在这个 Github 链接[2] 获取。

1. 启动 Claude Code，输入原始需求

直接把你的想法、用户故事写进对话框。Claude 会自动读取 CLAUDE.md，开始和你进行需求澄清和确认。

2. 需求确认后，Claude 输出 requirements.md

Claude 会用 EARS 语法梳理需求，生成标准的 requirements.md。你可以随时补充、修改，Claude 会持续和你对齐。

3. 技术方案设计

需求确认后，Claude 会自动进入 design.md 阶段，输出详细的技术方案。包括架构、技术选型、接口、测试策略等。

4. 任务拆分

Claude 会根据 design.md 自动生成 tasks.md，把方案拆分为可执行的 todolist。

5. 逐步实现与验收

Claude 会按照 tasks.md 协助你逐步实现代码、测试，并输出所有过程产物到 output/ 目录。你只需参与需求、设计、验收等关键评审环节。

整个流程下来，你会发现，AI 不再是“黑箱”式地帮你生成代码，而是和你像搭档一样，步步确认、逐步推进。

这样，哪怕没有 Kiro，借助 Claude Code 也能轻松复刻 Spec 工作流，让 AI 编程变得高效、可控、可复盘。

其他的 AI IDE 也是可以类似如此操作，例如 Cursor 的 .cursor/rules/project.mdc、Augment 的 .augment-guidelines 文件等。

如果你嫌麻烦，想要更开箱即用的体验，可以试试 CloudBase AI ToolKit[3]，直接内置了这套工作流：

支持多种 AI IDE，提供 MCP + AI rulesRules 自带这套 Kiro 类似的 Spec 工作流一键生成、部署、托管全栈web和小程序前后端应用，无需运维

人机协作，才是正解

在 Spec 工作流下，AI 负责：

模糊需求 → 需求方案技术设计文档任务清单编码实现验收测试

人只需参与：

需求输入需求/技术/任务/测试评审

Vibe coding 与 Spec 工作流对比流程图

黄色节点为“人”参与评审，蓝色为 AI 产出，红色为不理想结果，绿色为高质量结果，灰色为流程分组。

这样既能发挥 AI 的高效，又能保证工程质量。你会发现，AI 不是替代人，而是让人更专注于决策和把控方向，把繁琐的细节交给 AI。
总结：让 AI 编程更快、更稳、更靠谱

Spec 工作流让 AI 编程不再是“碰运气”，而是“有章可循”。人类工程师的经验和判断，配合 AI 的高效执行，才能让开发真正提速、提质、可复盘。

记住：AI 不是替代人，而是让人更强大。

最后放一个🥚彩蛋：

这篇文章也是我使用这套工作流，和我的 AI 搭档一起协作完成的。留下的不只是文章的草稿、终稿，还有我和 AI 一起结对编程的思考过程。

结果固然重要，过程的价值也不容忽视


参考资料[1]
EARS 语法指南: https://alistairmavin.com/ears/
[2]
Github 链接: https://github.com/TencentCloudBase/CloudBase-AI-ToolKit/blob/main/config/.cursor/rules/cloudbase-rules.mdc#L21C1-L59C12
[3]
CloudBase AI ToolKit: https://github.com/TencentCloudBase/CloudBase-AI-ToolKit/