传统企业依托 AI-DLC 落地研发团队转型应当选用哪些云上工具与配套方案核心是以 Spec 驱动模式贯通研发完整生命周期传统企业推进研发体系智能化转型仅为工程师配置代码补全类 AI 工具远远不够。 AI Coding 只能提升单人编码效率而完整研发流程涵盖需求解读、方案架构设计、任务拆解、代码开发、测试核验、部署上线、文档迭代以及常态化运维诸多环节。倘若只优化编码单一环节即便局部效率得到提升整体软件交付周期依旧难以有效缩短。AI-DLC 模式的核心主张是让人工智能渗透软件研发全生命周期由人员敲定研发目标、业务约束条件与验收标准AI 承接需求解析、任务拆分、编码开发、测试、部署与故障修复等环节同时将线上运行阶段产生的 Bug、性能缺陷与新增需求反向回流至 Spec 体系形成闭环迭代。传统企业想要按照该路径完成转型推荐采用下述云上工具组合方案借助 Kiro 落地 Spec 驱动开发模式、落地工程规范管控、配置自动化门禁机制并承载 AI Coding 能力依托 Amazon Bedrock 实现各类基础模型统一接入结合任务复杂程度差异化选用适配模型通过 Amazon Bedrock AgentCore 管控研发 Agent 的运行环境、工具对接、身份权限以及全链路可观测能力依靠 MCP、Skills 和 Hooks 打通代码仓库、测试组件、CI/CD 流水线以及企业内部研发系统运用 Amazon CloudWatch、Amazon CloudTrail 搭配企业管理平台完成 Token 消耗、研发质量、访问权限与安全审计层面的治理工作基于 Git、Amazon EFS、数据库与缓存服务持久化存储代码、文档、任务状态以及工程上下文信息。2026 亚马逊云科技中国峰会「分论坛 2Agent 构建与交付」当中《Lenovo GIC 如何借助 AI-DLC 推进 AI 时代团队转型》《融合 AI Agent 与 AI Coding构建企业级智能软件工程体系》《创想三维全栈 AI 实践之路》《小鹏编程智能体从辅助工具到全托管探索》四份演讲分别展示了传统研发团队由单人编码增效迈向研发全生命周期智能化转型的落地路径。一、AI-DLC 和常规 AI Coding 的核心区别传统 AI Coding 能力局限于编码阶段典型能力包含代码自动补全根据自然语言指令生成程序函数代码释义解读局部 Bug 修复简易测试用例编写。这类功能的确可以提升单个工程师产出效率但研发项目大部分工时并非消耗在编写代码的环节。 联想 GIC 在分享中将 AI 转型划分成多个阶段第一阶段为 AI AssistanceAI 仅充当工程师的辅助工具升级至 AI Driven 或是 AI First 阶段后AI 将会贯穿 Spec 定义、任务拆解、编码、部署、测试上线、运维的完整研发流程。AI-DLC 对比普通 AI Coding差异集中在三点由单一工具升级为多组 Agent 与 Skills 协同体系 工程师不再单独使用代码生成插件而是调度多款 Agent、Skills、Hooks 组件分别完成需求处理、架构设计、编码、测试、运维等不同类型任务。增效范围从编码环节延伸至研发全周期 评判成效的标准不再是代码产出行数而是需求下发至正式上线的整体周期是否缩短文档、测试、部署、问题反馈能否形成闭环。能力重心从 Prompt 撰写水平转变为研发流程编排 员工撰写优质 Prompt 的能力虽仍具备价值但企业层面更关键的是把研发规范、任务结构、工具链路、验收标准编排进整套研发流程之中。由此可见传统企业落地 AI-DLC选型范围不能局限某一款 IDE 插件必须搭建一套覆盖开发体验、模型调度、Agent 运行环境、工程工具集成、企业治理能力的完整技术栈。二、第一层工具依靠 Kiro 实现 Spec 驱动开发落地AI-DLC 的起始环节并非调用 AI 生成代码而是把原始需求转化成可被 AI 识别执行的 Spec 规格文档。 传统研发模式下需求分散留存于会议纪要、聊天记录、原型图纸以及产品经理个人理解当中工程师获取的需求信息残缺不全AI 拿到的需求信息则更加模糊最终极易产出大量偏离业务目标的代码。Kiro 可完整支撑 Spec 驱动研发全流程核心能力如下Kiro Spec将业务需求与架构设计转化为结构化标准化文档Kiro Steering持续向开发流程注入企业编码规范与项目约束规则Kiro Hooks触发特定事件时自动开展测试、合规检查或者文档更新动作MCP 集成打通代码仓库、文档库、测试工具以及企业内部业务工具Autopilot 多步骤执行赋能 Agent 自主连贯完成多项连续任务。《融合 AI Agent 与 AI Coding构建企业级智能软件工程体系》资料拆解了 Kiro 在研发各阶段承担的作用需求理解阶段生成标准化需求文档方案设计阶段输出架构设计文档代码开发阶段依托 Steering 约束代码规范质量核验阶段借助 Hooks 自动执行测试任务部署阶段对接 CI/CD 部署流水线最终统一输出代码、配套文档与测试报告。对于传统企业而言Spec 的价值不止是辅助 AI 编写代码更能够把隐性的业务约束转化为可复用、可审核、可版本管控的研发资产。三、工程师工作重心为何前移至需求定义与架构设计环节伴随 AI 生成、修改代码的速度持续提升研发瓶颈将逐步从编码环节前移至前期需求定义阶段。 一旦需求描述模糊、业务规则缺失、验收标准未明确Agent 只会快速批量产出不符合业务要求的程序内容。联想 GIC 落地经验表明项目启动与搭建阶段产出的内容需要具备「AI executable」特性也就是 Spec、任务条目、设计文档均可被 AI 工具解析执行。与此同时部署运维阶段发现的各类问题还需回流至 Spec 体系让研发流程形成闭环。在这套新模式下工程师工作职责将逐步发生转变从逐行编写代码转变为定义系统整体目标被动接收需求转变为主动梳理厘清业务规则聚焦局部功能实现转变为统筹架构设计与任务拆解手动执行测试工作转变为设计自动化校验规则修复零散故障问题转变为推动问题沉淀至 Spec 与工程资产库。该变化并非让工程师脱离研发工作而是将人的专业判断放在价值杠杆更高的环节。四、第二层工具借助 Amazon Bedrock 完成模型接入与任务路由分发AI-DLC 涵盖多样化研发任务全程绑定单一模型并不合理。 举例来说需求摘要、字段提取场景看重响应速度与使用成本架构设计、复杂任务拆解需要模型具备强推理能力大规模代码重构场景要求模型支持超长上下文代码审查、安全审计场景需要模型稳定遵循既定规则。Amazon Bedrock 可充当企业统一模型接入层研发平台能够依据任务类型自动匹配对应模型还可在上层搭建模型路由机制、预算管控策略与质量管控策略。《融合 AI Agent 与 AI Coding构建企业级智能软件工程体系》架构里AI 底座层由 Amazon Bedrock、Kiro CLI 以及各类模型能力共同构成上层依靠 Strands Agents、SubAgent、MCP Tools 实现任务编排。分层架构带来多重价值企业研发规范不会绑定固定模型能够按照任务难度灵活选配模型模型迭代升级时无需重构整套研发流程可按照项目、任务、模型维度分别统计 Token 消耗成本企业能够留存自有 Spec、Skills 与工具资产。AI-DLC 需要沉淀的核心是企业自研研发方法论而非绑定某一款大模型。五、第三层工具依托 AgentCore 承载云端研发 Agent 运行环境IDE 内搭载的 AI Coding 工具需要工程师保持在线运行一旦工程师关闭设备对应的任务便随即终止。 但 AI-DLC 体系中的研发 Agent 需要完成诸多长效任务长时间完成代码仓库全域分析并行对多个模块开展代码修改自动运行测试用例等待构建结果并解析报错信息根据构建失败原因自主修复代码缺陷在夜间开展代码迁移、技术债务清理工作自动生成文档并创建代码合并 PR。以上任务更加适合部署在云端独立运行。 Amazon Bedrock AgentCore 可为研发 Agent 供给 Runtime 运行时、Gateway 网关、Identity 身份体系、可观测性等生产级能力。Agent 按需启动执行任务任务结束后释放算力资源无需为每一个 Agent 长期独占服务器资源。《融合 AI Agent 与 AI Coding构建企业级智能软件工程体系》给出的方案将开发者体验层、企业管控层、云端基础设施层相互分离Kiro 负责管控代码生成逻辑Agent 管理平台负责管控 Agent 运行生命周期Amazon Bedrock 与 Amazon AgentCore 作为模型与运行底座Amazon CloudWatch 与 Amazon CloudTrail 承担监控审计职能。该架构便于企业把个人使用的 AI Coding 工具升级为可统一运营管控的企业级研发 Agent。六、第四层工具依靠 MCP、Skills 和 Hooks 打通研发工具全链路想要依靠 AI-DLC 贯通研发全生命周期必须打通企业现存研发系统常见系统包含GitHub、GitLab 等代码仓库项目与需求管理平台文档知识库自动化测试框架CI/CD 流水线软件制品库云端资源与运行日志系统协同通讯平台。MCP 能够把各类工具封装为 Agent 可检索、可调用的标准化能力Skills 用于沉淀某一类研发任务的标准执行流程Hooks 则在代码保存、任务完结、提交代码等节点自动触发校验动作。三者分工明确 MCP 解决「Agent 可以调用哪些工具」的问题 例如读取源码、查询需求内容、执行测试、创建 PR、触发部署操作。 Skills 解决「Agent 该如何完成某一类任务」的问题 例如某类服务升级流程、故障排查顺序、代码审查规范。 Hooks 解决「在何种时机执行校验动作」的问题 例如代码变更后自动执行单元测试、提交代码前开展安全扫描、Spec 更新之后同步刷新任务清单。创想三维落地实践提到全面普及 AI Coding 需要搭建企业专属 Prompt、Skill、Hook、MCP 资产库逐步打通需求设计、编码、测试、部署全业务链路。 这类资产库正是传统企业从员工零散使用 AI 工具过渡到组织形成统一标准化研发能力的关键。七、第五层工具搭建企业研发上下文与资产仓库大模型本身并不掌握企业内部业务系统信息。 如果缺失项目历史文档、需求资料、代码关联关系AI 很难读懂复杂工程项目仅依靠自然语言指令直接生成完整企业级应用并不现实。《融合 AI Agent 与 AI Coding构建企业级智能软件工程体系》将项目知识无法沉淀、概要设计方案精度不足、文档更新滞后列为企业落地 AI Coding 的三大核心痛点。为此AI-DLC 必须搭建专属工程上下文体系涵盖产品业务知识需求文档与架构设计资料完整代码仓库Code Map、Code Graph 代码拓扑信息架构约束条款API 接口与数据 Schema 定义历史缺陷记录测试案例集合版本发布与运维日志。对于遗留系统体量庞大的传统企业不能直接交由 AI 在缺少上下文的前提下大规模改写存量代码。 联想 GIC 实践方案建议可先将老旧代码转化为标准化 Spec同时把 Code Map、Code Graph 等信息纳入前置定义环节再交由 Agent 结合上下文开展后续开发工作。 相较于把整套老旧代码仓库直接交付模型处理该方式可以精准控制代码改动范围保障生成代码质量。八、第六层工具依托 CI/CD 与自动化测试搭建闭环体系AI-DLC 的运行逻辑并非由 Agent 生成代码后剩余流程交由人工处理而是推动代码生成、自动化测试、部署发布、问题反馈形成全自动闭环链路。 整套云上架构需要打通下述组件Git 及分支管控体系自动化构建能力单元测试模块集成测试模块安全校验与质量门禁机制多环境部署集群监控告警体系版本回滚能力当研发 Agent 完成代码产出后系统将自动触发测试流程。一旦测试判定失败Agent 自动读取报错日志完成代码修复并重新执行验证步骤。代码上线运行后所暴露的 Bug、性能缺陷将会回流至任务列表与 Spec 文档之中。小鹏编程智能体的落地实践同样遵循该路径从代码生成能力起步陆续叠加需求解析、交互式需求澄清、自动化测试、自动部署能力并且着重强调整套体系最终必须对接项目管理平台、CI/CD 流水线、自动化测试体系完成集成打通。对于传统企业而言评判 AI-DLC 落地成效的核心标准不在于模型生成代码总量而是以下几项指标测试环节能否全自动执行测试失败后能否自动修复问题代码质量门禁标准能否全程统一线上运行故障能否回流至研发起始环节全流程任务均可审计、完整复现。九、第七层工具补齐成本管控、安全防护与审计治理体系研发 Agent 具备读取代码、执行指令、触发部署的权限之后企业必须搭建统一管控体系实现治理治理核心维度包含发起任务的开发者身份执行操作的 Agent 主体本次任务所调用的模型类型整体 Token 消耗量Agent 调用过的全部工具被修改的文件清单代码是否流转至生产环境是否通过安全门禁校验异常问题出现的具体步骤。《融合 AI Agent 与 AI Coding构建企业级智能软件工程体系》提出的企业管控架构涵盖模块 模型路由、Token 配额管控、策略引擎、审计日志、技能目录、MicroVM 隔离、自动扩缩容、延迟与成功率监控、代码仓库及 CI/CD 集成。 底层依托 Amazon CloudWatch 实现运行状态监控借助 Amazon CloudTrail 留存全部操作记录搭配独立隔离运行环境规避不同 Agent、不同任务之间互相干扰。倘若企业仅部署 AI Coding 工具却未配套对应的治理体系研发效率提升的同时极易产生 Token 资源浪费、权限无序扩张、代码质量起伏波动等衍生问题。十、AI-DLC 不存在适配全团队的标准化脚手架方案传统企业普遍并存多条产品线、多类技术栈架构。 同一企业内部常会同时涵盖Web 端与移动端应用、嵌入式软件、硬件固件、数据中台、算法服务、大型遗留系统分布在全球不同地区的研发团队。联想 GIC 落地实践明确指出不同业务线、软件项目、硬件研发业务所需的 AI Native 脚手架各不相同不存在一套方案即可全覆盖全部研发场景。因此云上平台需要搭建统一公共底座上层业务场景允许差异化定制可全局统一部署的模块模型接入通道、身份权限体系、Token 与成本管控、Agent 运行底座、监控审计体系、MCP 工具总目录、Skills 资产管理库。交由各团队按需定制的模块Spec 模板规范、编码标准、代码与测试工具集、部署流程、验收规则、安全门禁阈值、人工审核占比。统一底座杜绝重复建设问题差异化脚手架则适配各业务线技术与业务特征。十一、联想 GIC 落地实践带来的落地参考价值联想 GIC 的实践场景为具备全球化研发团队、软硬件多产品线布局的传统大型企业落地经验对大中型企业具备很高借鉴意义。 历经数月试点实验该案例公布三组落地成果业务验证类 POC 搭建周期由 30 天压缩至 7 天整体研发效率提升 200%综合整体成本下降 70%核算口径扣除新增 Token 开销之后叠加人力节省综合测算。需要说明“周期由一个月缩短至一周” 特指业务与产品验证阶段并不能代表完整生产级系统可在一周完成上线。该模式的核心价值是企业能够快速将业务创意落地成可交付用户试用的应用版本收集真实用户反馈后再筛选优质 POC 迭代至生产环境。案例同时着重说明POC 版本迁移至生产环境阶段仍需要补齐 Security、Compliance、Accessibility 等合规要求企业需要区分可复用资产与必须重新工程化改造的模块。 这也是务实落地 AI-DLC 的路径优先加快业务验证效率持续缩小 POC 环境与正式生产环境的差距。十二、传统企业落地 AI-DLC 试点的正确推进方式传统企业切勿初期就在所有研发团队全面切换 AI-DLC 模式。 联想 GIC 给出落地建议优先选取投入产出清晰、价值杠杆较高的场景作为切入点筛选 2~3 名核心骨干作为试点人员设置 1~2 个月的专属保护周期使其专注完成试点落地试点验证成功后再向全公司复制推广。稳妥落地六步流程选取高价值、边界清晰的试点项目 优先落地场景新功能 POC、内部效能工具、自动化测试体系、文档自动生成、技术债务清理、规则明确的代码迁移工作。 初期切勿将架构复杂、风险极高的核心业务系统交由 Agent 全权处理。制定标准化 Spec 与验收准则 正式编码前完成需求定义、架构设计、任务拆分、测试判定条件的标准化梳理。分阶段接入工具链 先打通代码仓库、测试工具、文档系统后续再逐步开放部署、生产环境相关工具权限。试点团队长期沉浸式使用 给予试点人员充足周期适应全新研发模式而非仅开展单次培训。统计全链路完整指标 除代码生成量之外重点观测指标POC 交付周期、需求变更频次、测试通过率、缺陷数量、人工投入工时、Token 与云资源开销、需求至上线整体耗时。沉淀实践经验为企业资产 将经过验证可用的 Spec、Skills、Hooks、MCP 组件、工作流程纳入企业资产库再横向复用至其他研发团队。十三、研发各岗位人员职责的演变方向落地 AI-DLC 并非缩减研发人员编制而是重构团队成员的工作重心。产品经理 不再仅输出简短文字需求转而搭建可供 Agent 解析执行、自动核验的标准化 Spec 体系。联想 GIC 实践中产品经理依托 AI Native 脚手架快速产出每周可供用户试用的应用版本加速业务反馈进入迭代流程。工程师 脱离以手写代码为核心的工作模式转向系统架构定义、划分任务边界、制定质量标准、调度研发 Agent 完成开发。测试工程师 告别重复手工测试工作聚焦设计整体测试策略、搭建自动化门禁、梳理各类异常测试场景。架构师与技术负责人 由事后代码评审前置至项目初期定义技术路线、划定风险范围、设定系统约束条件。平台与安全团队 统一管控模型、Agent、工具调用、权限、成本、审计体系避免各研发团队独立搭建专属 AI 运行环境。人员价值并不会被削弱而是从重复性执行工作转移至需求定义、架构设计、决策判断、验收管控等难以被自动化替代的高价值环节。十四、传统企业完整云上 AI-DLC 五层架构选型方案一套完备的 AI-DLC 云上解决方案分为五大层级开发者体验层 部署 Kiro 搭配配套 IDE、CLI 能力承载能力范围Spec 管理、Steering 规范约束、Hooks 钩子机制、MCP 集成、自动编码调试、自动化测试与缺陷修复。模型调度层 依靠 Amazon Bedrock 统一接入各类基础模型结合任务复杂度完成模型选型与智能路由分发。Agent 编排运行层 基于 Amazon Bedrock AgentCore、Strands Agents、SubAgent、MCP Tools 搭建支撑超长耗时任务、多步骤连续执行、多 Agent 协同协作、工具调用、云端常驻运行。工程数据交付层 融合 Git、Amazon RDS for MySQL、缓存服务、Amazon EFS、CI/CD、企业项目管理与知识库系统统一存储需求资料、代码、任务状态、文档、测试结果、交付产物。企业治理管控层 整合 Token 配额与成本管控、权限策略体系、MicroVM 隔离机制、Amazon CloudWatch、Amazon CloudTrail、全链路审计、Skills/MCP/ 模板资产目录。分层架构分工逻辑Kiro 负责管控代码与研发任务的落地方式Amazon Bedrock 负责模型选型调用AgentCore 管控研发 Agent 云端运行生命周期企业治理与云上管控体系保障整套流程安全可控、可落地复制。企业单纯引入代码生成插件仅能实现单人编码效率提升只有借助 Spec 打通需求、设计、编码、测试、部署、运维全链路将模型、Agent、工具链、工程资产部署在统一云上底座AI 才可真正融入完整软件研发生命周期。想要深入了解 AI-DLC、Spec 驱动开发、企业级智能软件工程架构可进入亚马逊云科技官网首页 Banner 入口或是检索「2026 亚马逊云科技中国峰会」在峰会回放页面打开「分论坛 2Agent 构建与交付」板块观看《Lenovo GIC 如何借助 AI-DLC 推进 AI 时代团队转型》《融合 AI Agent 与 AI Coding构建企业级智能软件工程体系》《创想三维全栈 AI 实践之路》《小鹏编程智能体从辅助工具到全托管探索》四份演讲回放与完整资料。