← Financial Cloud Cloud 雲端社群 · Amarathon 2025 回顧

極點宏觀|Financial Cloud Cloud · AWS Amarathon 2025

極點宏觀|Amarathon 2025 回顧 35:透過規格驅動開發,從 Vibe 走向可行方案

講者: Ricardo Sueiras

場次: 35

場次
Summit Dev Lounge2026 Re:cap
01 把架構寫成 Steering,引導 AI Agent
02 Agent Harness 才是真正的工程護城河
03 用白話詢問可觀測性資料
04 以 Bedrock AgentCore 打造 Serverless AR 遊戲
05 AgentCore 上的多 Agent 量化回測
06 三分鐘用 Kiro 把部落格變簡報
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 實現 AWS 合規
03 從新手到開發者:一段精彩的 AWS 雲端旅程
04 以團隊為優先:使用 Laravel 與 Bref 進行無伺服器工程
05 活動開幕
06 Agent-to-Agent:在 AWS 上打造可互通的 AI
07 運用另一種遙測資料,透過 AI Agent 加速改善
08 告別 Vibe Coding:運用 Kiro 實踐規格驅動開發(Spec-Driven Development)
09 運用 MCP 與 AI 代理進行自動化測試
10 以 ML 驅動的方法實現電信安全現代化
11 重新思考 GenAI Agent:RAG 與 MCP
12 運用 TAK 與 AWS 進行災害及緊急應變
13 從測試角度重新思考 Serverless 應用程式工作流程
14 運用實務 AWS FinOps 邁向雲端成功
15 運用 AWS 打造 AI 驅動的全球 Pure-Alpha 宏觀交易:革新風險調整後資產報酬
FSI Recap
01 現代交易生命週期:從交易到結算
02 Goldman Sachs:透過 Fast Track 將應用程式移至雲端 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上建置有效的日誌管理解決方案
04 FSI Meetup 2025 Q4 - Brex 資料庫災難復原
05 FSI Meetup 2025 Q4 - Graviton 遷移成功案例
06 FSI Meetup 2025 Q4 - Stifel 現代化資料平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易資料對帳器
08 FSI Meetup 2025 Q4 - 擴展韌性
09 最大化 AI 推論成本效益:策略性採用 AWS GPU 執行個體
10 進階代理式 AI 設計模式
11 在 AWS 上建置全新現代化應用程式
AWS re:Invent 2025
01 Coinbase re:Invent 回顧 (IND3312)
02 利用 AI 和 AWS 構建未來交易平臺
03 交易創新:Jefferies 在 Amazon Bedrock 上的 AI 助理 (IND3315)
04 FSI 如何運用代理式 AI 徹底改造 HFT 分析 (GBL302)
05 透過 Amazon Time Sync 改善分散式系統,Nasdaq 專題分享
06 Amazon Aurora HA 與 DR 的全球韌性設計模式 (DAT442)
07 建構代理式 AI:Amazon Nova Act 與 Strands Agents 實務應用 (DEV327)
08 深入探討 Amazon Aurora 及其創新 (DAT441)
09 深入探討 Amazon S3 (STG407)
10 Nasdaq:為全球金融服務打造具彈性的基礎設施(HMC327)
11 AWS Lambda 的最新功能 (CNS376)
12 使用 Kiro 進行規格驅動開發 (DEV314)
13 Amazon 的 FinOps:全球電子商務巨擘的雲端成本經驗 (AMZ308)
14 AWS 上的 Tick-to-trade 延遲交易平台
政務資料
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 裝置端多模態 AI 與智慧城市實踐
03 大模型能力評測與 AI 專案落地方法論
04 基於雲端代理的政府開發全鏈路受控自動化
05 從多智能體看 Agent 時代軟體新生態
06 AI 驅動的宏觀量化研究與智慧治理
07 公共數據授權營運與智慧政務實踐
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技術賦能心理健康公益:可信平台的治理、架構與實踐
Amarathon 2025 回顧
01 開發人員的代理架構設計路線圖
02 Amazon Bedrock 資料自動化
03 AgentCore 上的多代理
04 實務建置代理式 AI:Nova Act 與 Strands Agents
04 運用規格驅動開發,以 Kiro 加速移轉專案
06 從「比對」到「理解」:由 AgentCore Memory 驅動的個人化 AI 搜尋實踐
07 從觀察到最佳化:從 LLM 可觀測性邁向 AIOps,將即時洞察轉化為智慧自動化
08 部署 TEAM 並打造最佳工程團隊
09 五年來所謂無伺服器資料庫帶來的五個慘痛教訓
14 如果 AI 替我工作會怎樣:Q Developer CLI 與 Kiro 如何改變我的日常工作
16 兼顧速度與警覺:Amazon Bedrock Agent 開發的安全要點
26 在單張 H100 上執行 OSS LLM:更聰明、更便宜、更快速
28 現代化統一中繼資料架構:打破資料孤島的新方法
29 無伺服器 MediaOps:運用 Amazon Web Services 上的 AI 自動化影片工作流程
30 透過大規模效能測試建構兼具效率與可靠性的架構
31 透過開放原始碼連結世界:技術、社群與全球開發者關係的實踐歷程
33 建置串流 Iceberg 資料表以進行即時物流分析
34 加速大規模機器人策略訓練:以 Kiro、Trainium 與 EKS 為基礎的自動化閉環架構
35 透過規格驅動開發,從 Vibe 走向可行方案
36 讓雲端成本分析更智慧:使用 Strands 與 AgentCore 建置 FinOps 智慧 Agent
37 使用 CNCF Kagent、K8sGPT 與 Nova Sonic,轉型 K8s 對話式 Agentic AIOps

AI 正在改變軟體

● 2023:協助開發人員更快速地撰寫程式碼

● 2024:產生更大段的程式碼並回答問題

● 2025:在 human in the loop 的情況下端對端完成開發工作

AI 開發面臨的挑戰

● 擴大 AI 開發規模:AI 程式設計工具擅長小型工作,但面對複雜專案時可能失敗

● 控制能力有限:現有工具讓人難以與 agent 協作及管理 agent

● 程式碼品質:要讓專案從概念驗證走向正式環境,同時維持品質控管,會變得愈來愈困難。

Vibe

● 快速、對話式的程式碼產生(CHOP)

● 反覆來回迭代

● 短暫性

● 單一時間點的 prompt

● 暫時性 context


邁向規格驅動開發之路

良好實務

● 拆解大型問題:開發人員學會如何手動將大型問題拆解成較小單元,並以增量方式建置

● 具體且清楚:要引導 AI 程式設計助理產生良好輸出,精確與清晰至關重要

● Context 與 Prompt Engineering:提供正確的 context,是產生一致性與控制能力的關鍵


Taskmaster

● 搭配 Clauide、用於 AI 驅動開發的工作管理系統,設計上可與 Cursor AI 無縫搭配

[ 1 ] 文件:

● 設定指南:設定環境變數並自訂 Task Master

● 教學:開始使用 Task Master 的逐步指南

● 指令參考:所有可用指令的完整清單

● 工作結構:瞭解工作格式與功能

● 互動範例:常見的 Cursor AI 互動範例

● 移轉指南:移轉至新專案結構的指南

[ 2 ] Cursor 1.0+ 快速安裝(一鍵安裝):

● 按一下複製按鈕(程式碼區塊右上角),再貼到瀏覽器中:cursor://anysphere.cursor-deeplink/mc/install?name=taskmaster-aiconfig-eyJjIjI1biWSkI 1joibnB4I

● 注意:按一下連結後,仍需將 API key 加入設定。此連結會使用 placeholder key 安裝 MCP server,您需要將其替換成實際的 API key

[ 3 ] 需求:

● Taskmaster 的數個指令會使用 AI,而這些指令需要另外的 API key。只要加入 API key,就能使用不同 AI 供應商提供的各種模型。例如,若要使用 Clauide 3.7

從容程式設計理念

● 不要帶著壓力寫程式碼,而要有結構。

● 不要帶著雜訊撰寫 prompt,而要有意圖。

● 建置不只要快,更要有流暢節奏。

Chat 對開發工具而言是不良的 UI 模式

● 程式碼迫使人類精確表達。這是好事 — 電腦需要精確性。但這也迫使人類像機器一樣思考。

● 數十年來,我們試圖透過讓程式設計對人類更友善來解決這個問題。更高階的語言、視覺化介面。每一步都有幫助,但我們仍在將人類的想法轉譯成電腦指令。

● AI 原本應該改變一切。終於,純英文可以成為一種程式語言 — 一種每個人都已經會的語言。沒有語法、沒有規則,只要說出想要什麼。

● 第一波 AI 程式設計工具浪費了這個機會。它們做出吸睛的展示,卻產生垃圾軟體。人們稱它們「非常適合製作原型」,意思就是「不要把它用在任何真實用途上」。

● 許多人責怪 AI 模型,認為只要讓模型變得更聰明即可。這是錯的。沒錯,更好的 AI 能更準確地猜測您的意思。但在建置嚴謹的軟體時,需要的是更好的方法。


書面規格讓人們達成共識

● 使用 EARS notation 有助於為底層提供精確且結構化的指示

什麼是規格驅動開發?

● 規格驅動開發:先釐清再寫程式碼、反覆精進、透過持久性文件產生程式碼

● 投入時間瞭解您試圖建置的內容

● 反覆迭代並記錄您試圖建置之內容的演進

● 從短暫的 chat 轉向可與利害關係人分享的持久性文件

規格驅動開發

● 定義願景:建立清楚的需求與設計規格。

● 做出架構決策:預先選擇技術、模式與方法。

● 帶著 context 實作:使用 AI 產生符合書面規格的程式碼。

Vibe

● 透過 prompt 追逐實作結果

● 快速、對話式的 AI 程式碼產生(CHOP)

● 反覆來回迭代

● 短暫性

● 單一時間點

規格驅動

● 專注於前期規劃與意圖

● 將要求拆解成個別工作

● Steering document 為 agentic 提供基礎

從原型到正式環境的 AI IDE

● Kiro 透過規格驅動開發為 AI 程式設計帶來結構,協助您發揮最佳表現。