← 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 35:通过规格驱动开发,从 Vibe 走向可行方案

演讲者: Ricardo Sueiras

场次: 35

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

AI 正在改变软件

● 2023:帮助开发者更快地编写代码

● 2024:生成更大段的代码并回答问题

● 2025:在 human in the loop 的情况下端到端完成开发任务

AI 开发面临的挑战

● 扩展 AI 开发规模:AI 编码工具擅长处理小型任务,但面对复杂项目时可能会失败

● 控制能力有限:现有工具让人与 agent 协作及管理 agent 变得困难

● 代码质量:要让项目从概念验证走向生产环境,同时保持质量控制,会变得越来越困难。

Vibe

● 快速、对话式的代码生成(CHOP)

● 反复往返迭代

● 短暂

● 单一时间点的 prompt

● 临时 context


迈向规格驱动开发之路

良好实践

● 拆解大型问题:开发者学会了如何手动将大型问题拆解为较小的单元,并采用增量方式进行构建

● 具体且清晰:要引导 AI 编码助手生成良好的输出,精确与清晰至关重要

● Context 与 Prompt Engineering:提供正确的 context 是确保一致性和可控性的关键


Taskmaster

● 一款搭配 Clauide、用于 AI 驱动开发的任务管理系统,设计上可与 Cursor AI 无缝协作

[ 1 ] 文档:

● 配置指南:设置环境变量并自定义 Task Master

● 教程:Task Master 入门分步指南

● 命令参考:所有可用命令的完整列表

● 任务结构:了解任务格式和功能

● 交互示例:常见的 Cursor AI 交互示例

● 迁移指南:迁移到新项目结构的指南

[ 2 ] Cursor 1.0+ 快速安装(一键安装):

● 单击复制按钮(代码块右上角),然后粘贴到浏览器中:cursor://anysphere.cursor-deeplink/mc/install?name=taskmaster-aiconfig-eyJjIjI1biWSkI 1joibnB4I

● 注意:单击链接后,仍需将 API key 添加到配置中。该链接会使用 placeholder key 安装 MCP server,你需要将其替换为实际的 API key

[ 3 ] 要求:

● Taskmaster 的多条命令会使用 AI,而这些命令需要单独的 API key。只要添加 API key,就可以使用不同 AI 提供商的各种模型。例如,如果要使用 Clauide 3.7

从容编码理念

● 编码不要有压力,而要有章法。

● 编写 prompt 不要有噪声,而要有意图。

● 构建不仅要快,更要流畅。

Chat 对开发工具而言是一种糟糕的 UI 模式

● 代码迫使人类精确表达。这是好事——计算机需要精确性。但它也迫使人类像机器一样思考。

● 数十年来,我们一直试图通过让编程对人类更友好来解决这个问题。更高级的语言、可视化界面。每一步都有所帮助,但我们仍在把人类的想法翻译成计算机指令。

● AI 本应改变一切。终于,纯英语可以成为一种编程语言——一种每个人都已经掌握的语言。没有语法,没有规则,只需说出你想要什么。

● 第一波 AI 编码工具浪费了这个机会。它们能做出炫目的演示,却会生成垃圾软件。人们称它们“非常适合制作原型”,意思就是“不要将其用于任何实际用途”。

● 许多人将问题归咎于 AI 模型,认为只要让模型变得更聪明就行。这是错误的。没错,更好的 AI 能更准确地猜测你的意思。但在构建严肃的软件时,你需要一种更好的方法。


书面规格让人们达成共识

● 使用 EARS notation 有助于为底层提供精确且结构化的指令

什么是规格驱动开发?

● 规格驱动开发:先明确再编码、迭代优化、通过持久文档生成代码

● 投入时间了解自己要构建什么

● 反复迭代并记录所构建内容的演变

● 从短暂的 chat 转向可与利益相关者共享的持久文档

规格驱动开发

● 定义愿景:创建清晰的需求和设计规格。

● 做出架构决策:预先选择技术、模式和方法。

● 带着 context 实现:使用 AI 生成满足书面规格的代码

Vibe

● 通过 prompt 追赶实现结果

● 快速、对话式的 AI 代码生成(CHOP)

● 反复往返迭代

● 短暂

● 单一时间点

规格驱动

● 专注于前期规划和意图

● 将请求拆解为独立任务

● Steering document 为 agentic 提供基础

从原型到生产环境的 AI IDE

● Kiro 通过规格驱动开发为 AI 编码带来结构,帮助你发挥出最佳水平。