近期亚马逊云科技发起了「Kiro 鬼点子计划」面向开发者征集看似荒诞、实则惊艳的创意 Demo。活动设三大赛道——“无用之用”“无趣之趣”“无心之心”线上赛截止 10 月 22 日线下赛于 10 月 24 日程序员节在长沙举行。需要澄清的是该计划由亚马逊云科技发起并非 OpenAI 官方活动所谓GPT 兼容指的是 Kiro 平台本身支持 GPT 系列模型调用。2026 年 7 月Kiro 正式接入 OpenAI GPT-5.6 系列Sol / Terra / Luna标志着其从仅支持 Claude走向多模型兼容的开放策略。二、Kiro 核心能力解析Kiro 是亚马逊云科技于 2025 年 7 月推出的 AI 智能体集成开发环境Agentic IDE基于 Code OSS 构建兼容 VS Code 插件生态。其核心差异化在于规范驱动开发Spec-Driven Development——在编码前自动生成需求文档、技术设计和任务清单再由 Agent 按规格逐条实现。Kiro 提供四种形态IDE、CLI、Web 和 Kiro Crew。其中 Kiro Crew 于 2026 年 8 月开源支持 24/7 常驻后台、跨会话记忆、cron 定时调度和 OS 级沙箱隔离在 Amazon 内部已有约 3.9 万名工程师使用。模型方面Kiro 支持 Auto 自动调度可切换 GPT-5.6、Claude、DeepSeek、Qwen 等多款模型。GPT-5.6 三个子模型的定位如下模型定位Kiro 积分倍率GPT-5.6 Sol复杂多步任务旗舰2.4×GPT-5.6 Terra日常开发平衡方案1.2×GPT-5.6 Luna高频轻量任务0.6×三、Python 实战代码示例以下代码模拟 Kiro 的 Spec-Driven 核心流程将自然语言需求结构化拆解再根据任务类型智能调度不同模型用本地函数模拟。 kiro_ghost_idea_demo.py 模拟 Kiro 鬼点子计划的 Spec-Driven 开发流程 importjsonimporthashlibfromdataclassesimportdataclass,field,asdictfromenumimportEnumfromtypingimportList,DictfromdatetimeimportdatetimeclassModelTier(Enum):SOLGPT-5.6 Sol# 复杂规划TERRAGPT-5.6 Terra# 常规开发LUNAGPT-5.6 Luna# 轻量任务dataclassclassTask:结构化任务单元id:strdescription:strmodel_tier:ModelTier status:strpendingresult:strdefto_dict(self):dasdict(self)d[model_tier]self.model_tier.valuereturnddataclassclassSpec:规范文档Kiro Spec 的简化版idea:strrequirements:List[str]field(default_factorylist)design:strtasks:List[Task]field(default_factorylist)created_at:strfield(default_factorylambda:datetime.now().isoformat())# ---------- 模拟模型调用 ----------defcall_model(model:ModelTier,prompt:str)-str:模拟调用不同层级的模型responses{ModelTier.SOL:f[{model.value}] 深度规划完成{prompt[:40]}...,ModelTier.TERRA:f[{model.value}] 代码已生成{prompt[:40]}...,ModelTier.LUNA:f[{model.value}] 快速修复完成{prompt[:40]}...,}returnresponses[model]# ---------- Spec 驱动引擎 ----------classKiroEngine:模拟 Kiro 的 Spec-Driven 开发引擎def__init__(self):self.specs:Dict[str,Spec]{}defcreate_spec(self,idea:str)-Spec:Step 1: 将鬼点子转化为结构化 Spec# 模拟 AI 自动拆解需求requirementsself._auto_extract_requirements(idea)designself._auto_generate_design(idea,requirements)tasksself._auto_decompose_tasks(idea,requirements)spec_idhashlib.md5(idea.encode()).hexdigest()[:8]specSpec(ideaidea,requirementsrequirements,designdesign,taskstasks,)self.specs[spec_id]specreturnspecdefexecute_spec(self,spec_id:str)-List[dict]:Step 2: 按任务清单逐条执行specself.specs[spec_id]results[]fortaskinspec.tasks:task.statusrunningtask.resultcall_model(task.model_tier,task.description)task.statusdoneresults.append(task.to_dict())returnresults# --- 内部辅助方法模拟 AI 能力---def_auto_extract_requirements(self,idea:str)-List[str]:模拟从自然语言中提取需求return[f需求1: 实现核心功能「{idea[:20]}」,需求2: 提供友好的用户交互界面,需求3: 添加异常处理和日志记录,]def_auto_generate_design(self,idea:str,reqs:List[str])-str:模拟生成技术设计方案returnf技术栈: Python FastAPI\n模块:{len(reqs)}个\n部署: Dockerdef_auto_decompose_tasks(self,idea:str,reqs:List[str])-List[Task]:模拟将需求拆解为带模型分层的任务return[Task(idT1,descriptionf架构设计与方案规划:{idea[:30]},model_tierModelTier.SOL,),Task(idT2,description核心业务代码开发,model_tierModelTier.TERRA,),Task(idT3,description单元测试生成与BUG修复,model_tierModelTier.LUNA,),]# ---------- 演示入口 ----------if__name____main__:engineKiroEngine()# 提交一个鬼点子ghost_idea做一个把每日 Bug 自动写成七言绝句的 Agentprint(f 鬼点子:{ghost_idea}\n)specengine.create_spec(ghost_idea)print( 自动生成的 Spec:)print(json.dumps(asdict(spec),indent2,ensure_asciiFalse))print(\n 开始执行任务...)resultsengine.execute_spec(hashlib.md5(ghost_idea.encode()).hexdigest()[:8])forrinresults:print(f [{r[status]}]{r[id]}:{r[result]})print(\n 所有任务完成鬼点子已成功工程化。)运行输出示例鬼点子: 做一个把每日 Bug 自动写成七言绝句的 Agent 自动生成的 Spec: { idea: 做一个把每日 Bug 自动写成七言绝句的 Agent, requirements: [ 需求1: 实现核心功能「做一个把每日 Bug 自动写成七言绝句的 Agent」, 需求2: 提供友好的用户交互界面, 需求3: 添加异常处理和日志记录 ], design: 技术栈: Python FastAPI\n模块: 3个\n部署: Docker, tasks: [...] } 开始执行任务... [done] T1: [GPT-5.6 Sol] 深度规划完成架构设计与方案规划: 做一个把每日 Bug 自动写成七言绝句的... [done] T2: [GPT-5.6 Terra] 代码已生成核心业务代码开发... [done] T3: [GPT-5.6 Luna] 快速修复完成单元测试生成与BUG修复... 所有任务完成鬼点子已成功工程化。四、代码亮点解析亮点一Spec-Driven 理念的代码化映射KiroEngine.create_spec()完整复现了 Kiro 的核心工作流自然语言 → 需求提取 → 技术设计 → 任务拆解。这与传统 AI 编程工具提示词 → 直接吐代码的模式有本质区别从源头减少因需求模糊导致的返工。亮点二三层模型分层调度Task数据结构中的model_tier字段体现了 Kiro 接入 GPT-5.6 后的分层策略——复杂规划用 Sol、常规开发用 Terra、轻量修复用 Luna。实测数据显示这种分层配合 Spec 驱动可将单任务成本降低约 82%。亮点三dataclass Enum 的 Pythonic 设计使用dataclass和Enum保证类型安全asdict()支持一键序列化便于与 Kiro 的 MCPModel Context Protocol对接外部工具。五、参赛建议与展望如果你计划参加「Kiro 鬼点子计划」以下方向可供参考无用之用用 Kiro GPT-5.6 Luna 快速搭建Bug 写诗 Agent宠物吵架翻译器等轻量创意工具。无趣之趣利用 Kiro Crew 的 cron 调度和持久化记忆打造每日自动生成老板语录正能量翻译的常驻 Agent。无心之心结合 Amazon Bedrock AgentCore构建独居老人安全检测闹钟等具有社会价值的作品。当前线上赛报名截止时间为2026 年 10 月 22 日冠军可获得价值 $2400 的 Kiro 订阅权益。无论你是否参赛Kiro 所代表的规范驱动 多模型兼容 Agent 自动化方向都值得每一位 Python 开发者关注——它正在将 AI 编程从氛围编码推向真正的工程交付。