← Financial Cloud Cloud 云端社群 · Amarathon 2025 回顾

极点宏观|Financial Cloud Cloud · AWS Amarathon 2025

极点宏观|Amarathon 2025 回顾 04:使用规格驱动开发,通过 Kiro 加速迁移项目

演讲者: Sanchit Dilip Jain

场次: 04

场次
Summit Dev Lounge2026 Re:cap
01 把架构写成 Steering,引导 AI Agent
Summit Dev Lounge2026 Re:cap
02 Agent Harness 才是真正的工程护城河
Summit Dev Lounge2026 Re:cap
03 用白话询问可观测性数据
Summit Dev Lounge2026 Re:cap
04 以 Bedrock AgentCore 打造 Serverless AR 游戏
Summit Dev Lounge2026 Re:cap
05 AgentCore 上的多 Agent 量化回测
Summit Dev Lounge2026 Re:cap
06 三分钟用 Kiro 把博客变成幻灯片
Summit Dev Lounge2026 Re:cap
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 实现 AWS 合规
AWS Community Day Hong Kong 2025 Re:cap
03 从初学者到构建者:一段精彩的 AWS 云之旅
AWS Community Day Hong Kong 2025 Re:cap
04 以团队为先:使用 Laravel 与 Bref 开展无服务器工程
AWS Community Day Hong Kong 2025 Re:cap
05 活动开幕式
AWS Community Day Hong Kong 2025 Re:cap
06 智能体到智能体:在 AWS 上构建可互操作的 AI
AWS Community Day Hong Kong 2025 Re:cap
07 利用另一类遥测数据,借助 AI 智能体更快改进
AWS Community Day Hong Kong 2025 Re:cap
08 告别氛围编程:使用 Kiro 进行规格驱动开发
AWS Community Day Hong Kong 2025 Re:cap
09 使用 MCP 与 AI 智能体进行自动化测试
AWS Community Day Hong Kong 2025 Re:cap
10 使用机器学习方法实现电信安全现代化
AWS Community Day Hong Kong 2025 Re:cap
11 重新思考生成式 AI 智能体:RAG 与 MCP
AWS Community Day Hong Kong 2025 Re:cap
12 使用 TAK 和 AWS 开展灾难与应急响应
AWS Community Day Hong Kong 2025 Re:cap
13 从测试视角重新思考无服务器应用程序工作流
AWS Community Day Hong Kong 2025 Re:cap
14 Practical AWS FinOps for Cloud Success
AWS Community Day Hong Kong 2025 Re:cap
15 基于 AWS 的 AI 驱动全球纯 Alpha 宏观交易:重塑风险调整后资产收益
AWS Community Day Hong Kong 2025 Re:cap
FSI Recap
01 现代交易生命周期:从交易到结算
FSI Recap
02 Goldman Sachs:通过 Fast Track 加速应用程序上云 - AWS Re:cap Q1/2023
FSI Recap
03 Zurich Insurance Group:在 AWS 上构建高效的日志管理解决方案
FSI Recap
04 FSI Meetup 2025 年第四季度 - Brex 数据库灾难恢复
FSI Recap
05 FSI Meetup 2025 Q4 - Graviton 迁移成功案例
FSI Recap
06 FSI Meetup 2025 Q4 - Stifel 现代数据平台
FSI Recap
07 FSI Meetup 2025 Q4 - PayPal 金融交易数据对账系统
FSI Recap
08 FSI Meetup 2025 Q4 - 规模化提升韧性
FSI Recap
09 最大限度提高 AI 推理成本效益:战略性采用 AWS GPU 实例
FSI Recap
10 高级智能体 AI 设计模式
FSI Recap
11 在 AWS 上构建全新的现代化应用
FSI Recap
AWS re:Invent 2025
01 Coinbase re:Invent 回顾 (IND3312)
AWS re:Invent 2025
02 利用 AI 和 AWS 构建未来交易平台
AWS re:Invent 2025
03 交易创新:Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)
AWS re:Invent 2025
04 FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析
AWS re:Invent 2025
05 使用 Amazon Time Sync 改进分布式系统(采用 Nasdaq)
AWS re:Invent 2025
06 Amazon Aurora HA 和 DR 全球弹性设计模式 (DAT442)
AWS re:Invent 2025
07 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)
AWS re:Invent 2025
08 深入探讨 Amazon Aurora 及其创新 (DAT441)
AWS re:Invent 2025
09 深入探讨 Amazon S3(STG407)
AWS re:Invent 2025
10 Nasdaq:为全球金融服务构建弹性基础设施 (HMC327)
AWS re:Invent 2025
11 AWS Lambda 新功能 (CNS376)
AWS re:Invent 2025
12 使用 Kiro 进行规范驱动开发 (DEV314)
AWS re:Invent 2025
13 Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)
AWS re:Invent 2025
14 AWS 上交易平台的 Tick-to-Trade 延迟
AWS re:Invent 2025
政务数据
01 The AI Era: The Boundary Between Development and Design Is Disappearing
政务数据
02 端侧多模态 AI 与智慧城市实践
政务数据
03 大模型能力评测与 AI 项目落地方法论
政务数据
04 基于云代理的政府开发全链路受控自动化
政务数据
05 从多智能体看 Agent 时代软件新生态
政务数据
06 AI 驱动的宏观量化研究与智慧治理
政务数据
07 公共数据授权运营与智慧政务实践
政务数据
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
政务数据
09 AI技术赋能心理健康公益:可信平台的治理、架构与实践
政务数据
Amarathon 2025 回顾
01 开发者的智能体架构设计路线图
Donnie Prakoso
02 Amazon Bedrock 数据自动化
Hafiz Syed Ashir Hassan
03 AgentCore 上的多智能体
Tan Xin
04 实践中构建智能体式 AI:Nova Act 与 Strands Agents
Haowen Huang
04 使用规格驱动开发,通过 Kiro 加速迁移项目
Sanchit Dilip Jain
06 从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践
Liu Cao
07 从观察到优化:从 LLM 可观测性迈向 AIOps,将实时洞察转化为智慧自动化
Jimmy Soh
08 部署 TEAM 并打造最佳工程团队
Yuji Oshima
09 五年来所谓无服务器数据库带来的五个惨痛教训
Renato Losio
14 如果 AI 替我工作会怎样:Q Developer CLI 与 Kiro 如何改变我的日常工作
Miguel Angel Muñoz
16 兼顾速度与警觉:Amazon Bedrock Agent 开发的安全要点
Brian Tarbox
26 在单张 H100 上运行 OSS LLM:更智能、更便宜、更快速
Adit Modi Adit Modi
28 现代统一元数据架构:打破数据孤岛的新方法
Shaofeng Shi
29 无服务器 MediaOps:使用 Amazon Web Services 上的 AI 自动化视频工作流
Luis Valdivia
30 通过大规模性能测试构建兼具效率与可靠性的架构
Luis Guirigay
31 通过开源连接世界:技术、社区与全球开发者关系的实践历程
Richard Lin
33 构建流式 Iceberg 表以进行实时物流分析
Fahad Shah
34 加速大规模机器人策略训练:基于 Kiro、Trainium 和 EKS 的自动化闭环架构
Junjie Tang
35 通过规格驱动开发,从 Vibe 走向可行方案
Ricardo Sueiras
36 让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体
Xiaofei Li
37 使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps
Shaoyi Li

什么是 Amazon Kiro?

● 与 VS Code 兼容

● 使用前沿的 Claude 模型

● 企业级安全性

弥合从构想到代码的差距

● 解决产品构想从 PM 传递给工程师时失真的难题

● Kiro 充当 AI 共同作者,将非正式的需求简报转换为持续演进且受版本控制的规格

● 在开始编码前消除歧义,加快交付周期 传统静态文档 vs.

Kiro 的动态规格

● 传统静态文档容易过时,并导致大量返工和意外情况

● Kiro 的动态规格会随代码自动更新、与测试和指标同步,并带来可衡量的开发速度提升 Amazon Kiro

工作流

● Amazon Kiro 方式的 SDLC!

● 摄取(Ingest):接收产品需求简报

● 扩展(Expand):AI 扩展用户故事

● 迭代(Iterate):协作编辑

● 锁定并创建存根(Lock & Stub):最终确定规格

● 每个步骤都可追踪、可评论,并受 Git 控制


利用提示工程提高精确度

● 简洁且上下文丰富的提示能够生成最准确、最实用的规格

填空模板

● 用户角色(Persona):用户是谁?

● 问题(Problem):他们需要做什么?

● 结果(Outcome):成功是什么样的?

● 非目标(Non-Goals):哪些内容不在范围内?

迭代优化流程

● 人类提供提示

● AI 提出建议

● 人类验证

● 这一循环会不断重复,直到规格通过所有内部质量关卡


使用 Amazon Kiro 实现遗留系统现代化

● 一种规范性模式,在不重写核心业务逻辑的情况下,将关键 COBOL、PL/I 和汇编语言迁移到 Graviton 上的托管 Java

● 自动转换:将遗留代码转换为现代 Java 微服务

● 数据复制:将大型机数据实时同步到云数据库

● DevOps 集成

建立 CI/CD 管道,实现快速、可靠的发布 自动代码转换引擎

● 解析(Parse):将遗留源代码转换为抽象语法树(AST)

● 重构(Refactor):应用基于规则的转换,实现代码结构现代化

● 生成(Emit):生成符合 Java 惯用写法的 Spring Boot 微服务代码

● 保留数据格式、事务边界和审计轨迹

数据同步与大型机卸载

● AWS DMS 和 Kiro agents 以近实时方式将大型机数据复制到 Aurora PostgreSQL

● 双向同步:在试点阶段,大型机仍是权威数据源

● 零停机切换

只需简单切换 DNS,即可将流量切换到云端 零信任安全

● 每个微服务默认都相互隔离并受到保护

● 最小权限 IAM:使用具有最低必要权限的专用 IAM 角色

● 加密:KMS 对静态数据和传输中数据进行加密

● 持续监控:CloudTrail 和 Guard Duty 为 SOX、PCI 和 HIPAA

提供审计证据 基于角色的访问与审核

● [ 1 ] 产品经理:负责叙述和面向用户的需求

● [ 2 ] 技术负责人:负责系统架构和技术设计

[ 3 ] QA 工程师:负责验收标准和测试计划

● Amazon Kiro 会跟踪审批、显示未解决的评论,并在所有角色批准前阻止合并 实际影响案例研究

全球性银行

● 一家全球前 20 大银行使用 Kiro 迁移了用于零售支付的 1,400 万行 COBOL 代码

● 仅用一个周末便无缝完成切换,且没有任何交易失败

● 基础设施成本降低 68%

● MIPS(大型机负载)降低 90%

● 发布频率从每季度一次提高到每周一次,从而释放预算用于 AI 计划

您的迁移路线图

● 6 周试点蓝图:

● 第 1-2 周:预置与转换

● 第 3 周:验证一致性

● 第 4 周:CI/CD 管道

● 第 5 周:5% 流量

● 第 6 周:指标与审核