周末折腾了一下 Kiro IDE 的 Spec 模式搭 Agent，从写代码到部署上线，全程不到 3 小时。记录一下过程，给同样在找 Agent 开发方案的同学参考。
氛围编程（Vibe Coding）一句话生成个原型倒是快，但离生产还差十万八千里——没有文档规范，代码质量不可控，部署到云上还要操心隔离性、扩展性、安全策略。
Kiro IDE 的 Spec-driven 模式 + Amazon Bedrock AgentCore 的免运维沙箱，刚好把这条路打通了。我跟着官方的两个案例走了一遍，记录下来。
为什么不能只靠 Vibe Coding
先说清楚问题。现在 AI 编程工具能力越来越强，一句话生成一个小项目完全没问题。但企业级 Agent 有几个硬性要求：
- 隔离性：Agent 必须跑在完全隔离的沙箱里，防数据泄露。会话结束后自动清理所有数据
- 快速启动：Agent 调用很频繁，需要几百毫秒级别的启动时间
- 扩展性：C 端应用可能几百个并发，传统虚拟机扩不动
- 工程规范：没有需求文档、设计文档、任务拆解，代码改三次就乱了
氛围编程解决了"能不能做出来"的问题，但没解决"能不能上线"的问题。
Kiro Spec 模式：从需求到代码的结构化流程
Kiro 有两种模式：
- Vibe 模式：问答式，适合快速原型和探索
- Spec 模式：结构化开发，自动生成 Requirements（需求）→ Design（设计）→ Tasks（任务）
Spec 模式的好处是每个步骤都有文档规范。你给它一段业务需求描述，它会：
- 拆解成具体的需求列表
- 生成架构设计方案
- 分解成可执行的开发任务
- 逐个执行任务并跟踪进度
跟纯聊天式的 AI 编程比，这种方式在复杂项目里稳定得多。
案例1：金融逾期处理 Agent
案例1是金融场景的逾期处理 Agent。在 Kiro 里用 Spec 模式：
需求输入：
构建一个金融逾期处理Agent，能够：
1. 接收逾期账户信息
2. 根据逾期天数和金额分级处理
3. 自动生成催收策略
4. 记录处理日志
Kiro 自动拆解成需求文档、架构设计、任务列表，然后逐步生成代码。
核心代码结构：
from strands import Agent, tool
from strands.models.bedrock import BedrockModel
# 定义工具：查询逾期账户
@tool
def query_overdue_accounts(days_overdue: int) -> dict:
"""查询超过指定天数的逾期账户"""
# 实际场景连接数据库
return {
"accounts": [
{"id": "A001", "amount": 50000, "days": days_overdue, "level": "high"},
{"id": "A002", "amount": 8000, "days": days_overdue, "level": "medium"}
]
}
# 定义工具：生成催收策略
@tool
def generate_collection_strategy(account_id: str, level: str) -> str:
"""根据逾期等级生成催收策略"""
strategies = {
"high": "电话催收 + 律师函 + 上报征信",
"medium": "短信提醒 + 电话催收",
"low": "短信提醒"
}
return strategies.get(level, "人工审核")
# 创建 Agent
model = BedrockModel(
model_id="anthropic.claude-sonnet-4-20250514",
region_name="us-east-1"
)
agent = Agent(
model=model,
tools=[query_overdue_accounts, generate_collection_strategy],
system_prompt="你是一个金融逾期处理专员，负责分析逾期账户并制定催收策略。"
)
# 执行
response = agent("查询逾期超过30天的账户，并为每个账户生成催收策略")
print(response)
案例2：智能过敏原分析 Agent
第二个案例更有意思——分析食品成分，判断是否含有用户的过敏原。
@tool
def analyze_ingredients(product_name: str) -> dict:
"""分析食品成分"""
# 实际场景调用食品数据库 API
return {
"product": product_name,
"ingredients": ["小麦粉", "鸡蛋", "牛奶", "白砂糖", "黄油"],
"allergens": ["小麦（麸质）", "鸡蛋", "牛奶"]
}
@tool
def check_allergen_risk(allergens: list, user_allergies: list) -> dict:
"""检查过敏风险"""
risks = [a for a in allergens if any(ua in a for ua in user_allergies)]
return {
"risk_level": "high" if risks else "safe",
"matched_allergens": risks
}
agent = Agent(
model=model,
tools=[analyze_ingredients, check_allergen_risk],
system_prompt="你是一个食品安全专家，帮助用户分析食品中的过敏原风险。"
)
response = agent("我对鸡蛋和牛奶过敏，分析一下这个蛋糕能不能吃")
部署到 AgentCore：免运维 + 安全隔离
代码写好了，怎么上云？Amazon Bedrock AgentCore 解决了部署这一步。
AgentCore 的核心能力：
- Firecracker microVM：每个 Agent 会话运行在独立的微型虚拟机里，硬件级隔离
- 几百毫秒启动：比传统虚拟机快几个数量级
- 自动扩缩：不需要预置实例，按需创建和销毁
- 会话结束即销毁：数据不留存，天然满足合规
除了运行时，AgentCore 还提供一系列生产级组件：
| 组件 | 功能 |
|---|---|
| Memory | Agent 记忆管理 |
| Identity | 认证和授权 |
| Gateway | 统一访问入口 |
| Guardrails | 安全策略 |
| Observability | 可观测性 |
| Evaluation | 效果评估 |
| Code Interpreter | 代码运行环境 |
| Browser | 浏览器工具 |
部署命令：
# 安装 AgentCore CLI
pip install bedrock-agentcore-cli
# 初始化项目
agentcore init --runtime python3.12
# 部署到云端
agentcore deploy --agent-name overdue-processor \
--region us-east-1 \
--memory 512 \
--timeout 300
部署完成后，Agent 自动获得 HTTPS 端点，支持流式响应。
开发流程总结
整个流程跑下来：
- 业务调研（30分钟）：明确 Agent 要解决什么问题
- Kiro Spec 生成（1小时）：需求 → 设计 → 任务 → 代码
- 本地测试（30分钟）：验证工具调用和对话流程
- AgentCore 部署（15分钟）：一条命令上云
- 集成测试（30分钟）：端到端验证
总计不到 3 小时，从业务需求到生产级部署。
适用场景
AgentCore 适合这些场景：
- 广告营销流程自动化
- 电商搜索 Agent
- IT 巡检和运维
- 数据分析
- 多 Agent 协作的办公助理
- 代码助手
不太适合：在线数据库事务处理（OLTP）、实时交易系统这类对延迟要求极端的场景。
整体感受：Spec 模式在复杂项目里的可控性比纯聊天式好很多，AgentCore 的部署体验也很丝滑。值得一试。
参考 以 Kiro 快速部署云上 Agent：只需几个小时，从业务需求到部署于 Amazon Bedrock Agentcore 落地 整理，结合实际开发经验补充代码示例。
