来源
- 原始链接：https://www.youtube.com/watch?v=IddXPepIAS4
- 来源类型：视频逐字稿
- 来源标题：在生产工作流中使用规格驱动开发
文本来源是 AI Engineer 频道视频《在生产工作流中使用规格驱动开发》的修复版中文稿。下面按汉松兴趣画像优先保留机制解释、反常识判断和可复用工作流，而不是做普通摘要。
开头可以先抓住一句：AWS 高级开发者布道师 Erik Hanchett 介绍规格驱动开发的概念、动机和实践方式，并以 AWS 的 AI 编程工具 Kiro 为例，演示如何在生产工作流中用规格文档引导 AI 编程助手构建更高质量的代码。
一、第一部分：什么是规格驱动开发及其价值
背景
介绍规格驱动开发的定义、为什么需要它，以及将 AI 模型比作”AI 实习生”的核心比喻。
另一个我经常被问到的问题是：“最新的前沿模型不是已经能搞定一切了吗？我们还需要这套流程吗？“模型确实在一年一年地变好，有时是小步迭代，有时是跨越式进步，但还远远没到完美。给大语言模型提供更多上下文仍然非常重要，因为这能帮助它走向正确的方向。软件需求在不断变化，技术范式也在不断演进，你始终需要指引它。目前一些大语言模型和工具框架开始在写代码前加入更多”思考”或”规划”模式，但这比不上你真正把文档创建出来、亲自参与其中，再让它生成代码。
兴趣匹配度很高。它对应的是 Agent 工程化的核心问题：如何把不稳定的模型行为放进清晰的状态、动作、工具和反馈闭环里。
二、第二部分：实践原则与 Kiro 的诞生
背景
讨论使用过程中的注意事项（上下文管理、技能、信任边界），以及 AWS 如何基于客户痛点推出 Kiro。
还有一点：不要给 AI 过多信任。在规格驱动开发的整个流程中，你，也就是人类，始终要留在循环里。你需要审查这个流程生成的所有代码，需要逐一确认生成的设计文档和需求文档。因为最终如果出了问题，被追责的是你，不是 Agent。
讨论使用过程中的注意事项（上下文管理、技能、信任边界），以及 AWS 如何基于客户痛点推出 Kiro。
兴趣匹配度很高。它对应的是 Agent 工程化的核心问题：如何把不稳定的模型行为放进清晰的状态、动作、工具和反馈闭环里。
三、第三部分：规格文档的三层结构与演示
背景
逐步介绍需求文档（EARS 格式）、设计文档、任务列表的生成过程，以及基于属性的测试的用法。
我经常听到有人说：“MCP 才出来 6 个月就已经死了吧？“网上很多人的观点隔几天就变，有些人说用命令行工具就能做 MCP 能做的事。我认为 MCP 还在持续成熟中，未来还有很长的路要走，尤其是安全性这块。要持续关注 MCP 的进展。而且在规格驱动开发流程里，MCP 有一个特别好的用途：你可以把 Jira 或 Asana 里所有的工单、大型需求文档，通过 MCP 拉进规格生成流程里，让它在创建规格文档时直接参考产品经理写的需求文档，工作效率大幅提升。
逐步介绍需求文档（EARS 格式）、设计文档、任务列表的生成过程，以及基于属性的测试的用法。
兴趣匹配度很高。它对应的是 Agent 工程化的核心问题：如何把不稳定的模型行为放进清晰的状态、动作、工具和反馈闭环里。
四、第四部分：总结与资源
背景
演示 MVP 任务列表的生成，以及如何进一步了解 Kiro 和与演讲者联系。
我和它来回沟通之后，到了任务列表这里，我让它”帮我做一个 MVP”。它更新了任务列表，直接写道：“第 1 到第 4 个任务交付一个可运行的 MVP：带有搜索、类型筛选、排序功能的电影网格，以及完整的 80 年代合成器风格主题。“所以它重新整理了所有需求，给出了一个可以直接上手的 MVP 起点，我非常喜欢这个功能。后来我把所有任务都实现了，你也能看到整个流程是怎么运转的。你还能看到它生成了基于属性的测试，我可以回去查看执行情况。拉到底部，把鼠标悬停上去，能看到每个基于属性的测试的简要说明，比如”对于类型过滤的属性测试：对任意电影数据集，提取出的类型列表必须包含唯一且排好序的类型集合”。
兴趣匹配度很高。它对应的是 Agent 工程化的核心问题：如何把不稳定的模型行为放进清晰的状态、动作、工具和反馈闭环里。
整体判断
这篇最值得保留的不是某个单点技巧，而是它把「在生产工作流中使用规格驱动开发」放进了更完整的工程框架里：第一部分：什么是规格驱动开发及其价值、第二部分：实践原则与 Kiro 的诞生、第三部分：规格文档的三层结构与演示。这些内容可以作为汉松后续写 AI 工程、Agent 系统和团队工作流时的素材。
更重要的是，它提供了一种判断 AI 系统的方式：先看问题如何被拆成状态、动作、工具、评估和人的边界，再看模型能力如何嵌进去。只有这样，视频里的做法才会从一次演示变成可迁移的方法。