Claude教程：用Kiro的Spec工作流，轻松搞定上下文工程难题

type

status

date

slug

summary

引言：告别“Vibe Coding”，拥抱结构化AI开发

在AI辅助编程的时代，开发者们常常陷入“Vibe Coding”的困境——与AI的对话随性发散，需求不明确，导致代码反复修改，项目偏离航向。更令人头疼的是“上下文工程”难题，一旦对话过长，AI便会遗忘关键信息，让整个开发过程功亏一篑。亚马逊为此推出了Kiro IDE及其核心的Spec (Specification) 工作流，试图用一套高度结构化的方法论来解决这一问题。

然而，Kiro本身的技术限制（如网络和上下文长度）使其难以在真实开发中大展拳脚。那么，我们能否将这套顶级的软件工程方法论，移植到一个更强大的平台上来发挥其全部潜力呢？答案是肯定的。本文将作为一份详细的Claude教程，深入解读Kiro Spec工作流的精髓，并手把手教你如何在Claude中完美复现并超越它，彻底解决上下文工程的烦恼。对于正在寻找Claude国内使用方案的开发者来说，这无疑是一份极具价值的实战指南。

什么是Kiro的Spec工作流？现代软件工程的AI范式

Kiro的Spec工作流，其核心是软件工程中的“关注点分离”原则。它强制AI将一个模糊的想法，通过一个严谨的、分阶段的流程，转化为一份清晰、可执行的开发蓝图。这套流程确保了每一步都专注、深入且在用户的掌控之中。

整个工作流分为三个核心阶段，每个阶段都必须得到用户的明确批准才能进入下一步：

1. 需求阶段 (What)：明确“做什么” * 核心任务：AI不再通过繁琐的问答来收集需求，而是主动根据用户的初步想法，直接生成一份结构化的需求文档（requirements.md）。 * 产出标准：需求必须遵循严格格式，如用户故事（As a [角色], I want [功能], so that [价值]）和EARS语法的验收标准，以消除歧义。

2. 设计阶段 (How)：规划“如何做” * 核心任务：在需求被批准后，AI基于需求文档创建详细的技术设计方案（design.md）。 * 产出标准：设计文档必须全面，覆盖架构、组件接口、数据模型、错误处理等关键部分，并鼓励使用Mermaid.js图表进行可视化展示。

3. 规划阶段 (How to Implement)：分解“怎么一步步实现” * 核心任务：将已批准的设计方案，分解成一系列具体、可被AI执行的编码任务清单（tasks.md）。 * 核心原则：这些任务是写给“代码生成LLM”的提示（Prompts），而非人类。任务必须遵循测试驱动（TDD）和增量演进的原则，具体到文件和函数级别，例如“在user_service.py中实现create_user函数”。

这个流程确保了从一个模糊的想法到最终可执行的代码任务清单，整个过程都是系统化、可控且高质量的。

强强联合：为何选择Claude承载Spec工作流？

尽管Kiro的Spec设计思想非常先进，但其平台本身却存在一些致命短板，如无法联网、上下文窗口有限等。这正是Claude大显身手的机会。将Spec工作流移植到Claude，是一次典型的“强强联合”，原因如下：

超长上下文窗口：Claude拥有业界领先的上下文处理能力，能够轻松容纳从需求、设计到任务规划的全部文档，完美解决了Kiro因上下文丢失而中断工作流的痛点。

强大的推理与执行能力：Claude在理解复杂指令、生成高质量文档和代码方面表现出色，能更精准地执行Spec工作流的每一个步骤。

完善的生态与工具链：相比于初期的Kiro，Claude的生态更加成熟，文件操作能力更强，能无缝支持创建、修改和读取.md文件。

对于许多开发者而言，claude国内如何使用是一个现实问题。幸运的是，通过如 https://claude.aigc.bar 这样的Claude镜像站，我们可以稳定地访问到接近Claude官网和Claude官方中文版的体验，从而将这套先进的工作流应用到自己的项目中。

实战演练：用Claude和Spec构建一个完整应用

为了验证其可行性，我们进行了一次实战：在Claude中部署Spec的系统提示词，从零开始构建一个支持人机协同（Human-in-the-Loop）的商业文档撰写Agent。

第一阶段：需求收集

我们仅向Claude提供了一个简单的需求描述，它便自动创建了一份高达102行的requirements.md文档。这份文档不仅使用了标准的用户故事格式，还详细定义了9大功能模块的验收标准，甚至预先考虑了各种边缘情况。

第二阶段：设计文档

在需求确认后，Claude生成了一份299行的design.md。这份综合设计文档不仅包含了使用Mermaid.js绘制的系统架构图，还详细阐述了组件设计、数据模型、技术选型（如Gradio作为UI框架）以及与第三方API的集成方案。

第三阶段：实施计划

最后，基于批准的设计，Claude产出了一份190行的tasks.md文件。它将整个项目分解为12个主要模块和44个具体的、AI可直接执行的编码步骤。每个任务都明确关联了对应的需求，确保了开发的可追溯性。

最终执行与交付

我们按照tasks.md的指引，逐一点击“Start task”，让Claude自动执行编码。最终，它不仅生成了一个387行的核心Python应用文件business_doc_agent.py，还一并创建了requirements.txt依赖文件。我们一键交付了一个功能完整的Python应用，支持中文界面、实时人机交互和多格式导出。整个过程流畅高效，充分展示了“Spec + Claude”模式的巨大威力。

结论：方法论与工具的完美结合

这次实践雄辩地证明，优秀的软件工程方法论具有跨平台的普适性。亚马逊Kiro设计的Spec工作流，其核心价值在于结构化思维和质量控制，而非绑定于特定工具。

通过将其移植到能力更强的Claude平台，我们不仅克服了原生工具的限制，还将AI辅助开发的效率和规范性提升到了一个全新的高度。这不再是随性的“Vibe Coding”，而是真正可控、可预测的AI软件工程。

如果你也对提升AI开发效率感兴趣，不妨亲自尝试这套工作流。借助可靠的Claude使用指南和稳定的访问渠道如 https://claude.aigc.bar，你也能将这一顶级开发范式融入日常工作，让AI成为你最得力的结构化编程伙伴。