亚马逊云科技官博今天（3/30）发了一篇重磅文章：CI&T 分享他们从传统 SDLC 到 AIDLC（AI-Driven Development Lifecycle）的转型实践。核心工具就是 Kiro——亚马逊云科技推出的 AI 原生 IDE。
这篇拆解 AIDLC 的四个阶段，看看 Kiro 在实际项目中怎么用，以及 OpenClaw 作为 AI Agent 框架在这个体系里扮演什么角色。
AIDLC 四个阶段
根据 CI&T 的实践经验，AI 对软件开发的重塑分四个阶段：
阶段 1：传统开发（1x 效能）
依赖人工交接和顺序执行，复杂项目迭代周期长。这是大多数团队目前的状态。
阶段 2：AI 增强（2x 效能）
引入 AI 助手提升局部编码效率。写代码快了，但时间又消耗在流程等待上——需求评审排队、测试环境排队、部署审批排队。瓶颈从"写代码"转移到了"等流程"。
阶段 3：AI 协调（5x 效能）
AI 驱动端到端的创建工作，人退居幕后负责引导方向和验证成果。环节间的等待被消除。
阶段 4：AI 编排（20x 效能）
AI 自主驱动系统演进，人只需设定高阶目标和合规要求。这是未来形态。
关键洞察：效能提升不是线性的，从 2x 到 5x 到 20x，每个阶段都是质变不是量变。
Kiro 在 AIDLC 中的角色
Kiro 是亚马逊云科技推出的 AI 原生 IDE（https://kiro.dev），它在 AIDLC 中的定位是"AI 协调者"——不只是补全代码，而是参与需求分析、架构设计、代码生成、测试的全流程。
Spec 驱动开发
Kiro 的核心机制是 Spec（规格说明）驱动：
需求描述 → Kiro 生成 Spec → 人审核修改 → Kiro 按 Spec 实现 → 人验收
这个流程的好处：
- 需求不再模糊：Kiro 会把模糊需求拆解成具体的技术规格
- 实现有据可查：每个功能都有对应的 Spec 文档
- 迭代有方向：修改需求 = 修改 Spec，Kiro 自动调整实现
Steering 规则
Kiro 支持 Steering 文件，类似 OpenClaw 的 SOUL.md，定义项目的编码规范、架构约束、安全规则：
# .kiro/steering.md## 架构规则
- 后端用 Python + FastAPI
- 数据库用 Amazon DynamoDB
- 认证用 Amazon Cognito## 编码规范
- 每个函数不超过 30 行
- 必须有类型注解
- 测试覆盖率 > 80%
OpenClaw + Kiro：AI Agent 的开发体验
OpenClaw 本身就是 AIDLC 的产物——用 AI 构建 AI Agent。在 Kiro 里开发 OpenClaw 的 Skill：
1. 用 Kiro 写 Skill
# 需求
"写一个 OpenClaw Skill，能够自动从 AWS 官博抓取最新文章摘要"# Kiro 生成 Spec
- 输入：博客 URL
- 输出：文章标题、摘要、发布日期
- 技术：web_fetch + 正则提取
- 错误处理：网络超时、内容解析失败
- 测试：至少 3 个测试用例# Kiro 实现
→ 生成 SKILL.md + scripts/fetch_blog.py + tests/
2. 用 OpenClaw 运行 Kiro 开发的项目
OpenClaw 可以通过 ACP（Agent Communication Protocol）连接 Kiro：
# 在 OpenClaw 中启动 Kiro 作为 ACP harness
openclaw spawn --runtime acp --agent kiro --task "实现用户注册功能"
Kiro 在后台按 Spec 实现功能，完成后通知 OpenClaw。
团队角色变化
CI&T 提出了几个新角色：
| 传统角色 | AIDLC 角色 | 职责变化 |
|---|---|---|
| 产品经理 | 意图定义者 | 从写 PRD 变成定义 AI Spec |
| 开发工程师 | 结果验证者 | 从写代码变成审代码 |
| 测试工程师 | AI 治理者 | 从写测试变成定义测试策略 |
| — | AI 协调领导者 | 新角色，负责人机协同编排 |
实际收益
CI&T 在实践中观察到的效果：
- 交付周期缩短：需求到上线的时间从周级缩到天级
- 代码质量提升：AI 生成的代码比人写的更一致（遵循 Steering 规则）
- 文档自动化：Spec 就是文档，不需要额外写
- 新人上手快：有 Spec 和 Steering 做导航，新人不需要"读懂所有代码"
对我们的启示
读完 CI&T 的实践，几个值得思考的点：
-
不是"用 AI 写代码"，是"AI 参与全流程"——光有代码补全只能 2x，要达到 5x 以上需要 AI 介入需求、设计、测试
-
规则先于代码——Kiro 的 Steering 和 OpenClaw 的 SOUL.md 异曲同工，先定义约束再让 AI 执行
-
人的角色不是消失而是升级——从"动手干"变成"指方向+验结果"
-
工具链需要配合——Kiro（IDE）+ OpenClaw（Agent 运行时）+ AgentCore（云端托管）形成完整闭环
落地建议
如果你的团队想试 AIDLC：
- 先从阶段 2 开始：在 Kiro 里用 AI 辅助写代码，体验效率提升
- 定义 Steering 规则：把团队的编码规范、架构约束写进 Steering 文件
- 试 Spec 驱动：下一个需求用 Kiro 生成 Spec，按 Spec 实现
- 引入 Agent：用 OpenClaw 或其他 Agent 框架自动化重复性工作
AWS 官博原文：https://aws.amazon.com/cn/blogs/china/sdlc-aidlc-ci-t-ai-development-explore-kiro-best-practices/
Kiro：https://kiro.dev
Amazon Bedrock AgentCore：https://docs.aws.amazon.com/bedrock-agentcore/latest/devguide/
OpenClaw：https://github.com/openclaw/openclaw