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

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