互联网上"充满了用AI构建的原型"，亚马逊开发者代理与体验副总裁Deepak Singh指出，"问题是，如果开发者在两个月后返回该代码，或者将其交给队友，'他们完全不知道是什么提示导致了这一点。一切都消失了。'"

这正是"vibe coding"（氛围编码）面临的核心挑战 - AI可以快速生成原型，但缺乏结构和文档使得代码难以维护。为解决这一问题，亚马逊Kiro采用了规范驱动开发方法，将请求分解为正式规范、设计文档和任务列表。

AI辅助开发的三大矛盾

2025年DORA报告揭示了AI辅助软件开发中的三大关键矛盾：

生产力与信任度的矛盾：90%的开发者日常使用AI工具，71%用其辅助编写新代码，80%认可AI提升了个人生产力。然而，仅4%的开发者"高度信任"AI输出，30%明确质疑其准确性。

吞吐量与稳定性的矛盾：AI被描述为"价值放大器"，既能提升高效能工程团队的交付速度与质量，也可能放大低效能团队在流程与技术债上的固有挑战。AI采纳现已对软件交付吞吐量产生积极影响，但它仍与软件交付不稳定性的增加相关联。

能力构建与价值实现的矛盾：94%的企业已采纳平台工程，但其质量高低直接决定了AI投资的回报水平。平台在系统可靠性与安全性等核心技术上评价较高，但在反馈响应与任务自动化等体验维度仍有不足。

规范驱动开发的实践路径

Kiro的"spec mode"通过创建正式规范、设计文档和任务列表，捕获软件应该做什么，解决了代码可维护性的根本问题。这种方法确保了当开发者返回代码或将其交给队友时，他们有完整的上下文了解软件的意图和结构。

Deepak Singh解释说，Kiro作为一个"稳定力量"，为AI辅助软件开发带来了结构和清晰度。这种规范驱动的方法与传统的"vibe coding"形成鲜明对比，后者虽然能够快速创建工作原型和应用，但往往缺乏长期可维护性所需的坚实基础。

中国信通院的工程化路径

为应对这些挑战，中国信通院围绕"全流程工程化落地"，从"通用能力、专用场景、应用成熟度"三大维度为AI工具质量建立基准，帮助组织系统性构建对AI输出的验证能力。2025年新增"智能研发效能度量、AI原生应用架构"等方向，直击报告中"系统缺乏AI适配能力"核心矛盾，助力组织建立从工具到流程的全链路能力。