AWS推Kiro機器人：有記憶、能排程，管其他AI代理

AWS週四正式推出Kiro機器人。它要處理的不是寫程式本身，而是寫程式之後那堆管理雜事：現在一個工程師可以同時派好幾個AI去寫程式，最後還是得有人一個個去看誰卡住了、把各自的成果拼起來、開工時再把同樣的需求重講一遍。

AWS的做法是，把這份盯場的工作交給有專責的機器人。它們放在AWS的開發工作區Kiro Crew裡，每個都有名字、一段持續的對話、自己的筆記和專屬工作空間。舉例來說，一個專門盯建置失敗，一個專門審查別人提交的程式碼修改，一個專門檢查新版本能不能上線。

這有點像工地裡分工的小組長。每個組長只管一塊，手上有自己的工作日誌。他派工人去做事、追進度、糾正走偏的人，最後把成果整理好交上來。遇到要老闆拍板的事，他先來問，其他不受影響的工作照樣繼續。開發者也可以直接用講的設定排程，例如請它半夜查失敗原因，或每週整理一份修改摘要。

記憶和權限是這次的重點。每個機器人的記憶只綁定自己負責的工作，管部署的不會和做研究的混在一起，使用者也可以查看、修改或刪除它記住的東西。AWS強調，這是靠保存對話和修正來累積經驗，不是重新訓練底層模型。權限同樣一個一個設：研究用的只能讀檔不能改，部署用的動手前要先請示，審查用的可以留意見，但不能核准或合併程式碼。

成本上，統籌的機器人和底下做事的AI可以用不同模型，規劃交給較強的模型，重複性的檢查交給便宜的。可選的模型包括OpenAI、Anthropic，以及開放權重模型。個人Pro方案每月20美元含1,000點，超出的每點0.04美元。不過每次任務耗多少點，要看工作多複雜、用哪個模型，所以光看訂閱價，算不出一個全天候排班的機器人每月要花多少。

VentureBeat也提醒，這些功能別家多半已經有了。Cursor的自動化功能早就有跨次執行的記憶，Anthropic的Claude Code和OpenAI的Codex也都能排程。Kiro的差別在於把專責、獨立記憶、獨立權限和統籌多個AI包在一起，這是產品設計上的差異，不代表做同樣的事會比較強。AWS這次也沒有公布效能比較、生產力數字或出錯率。

接下來要看企業實際用起來的帳。AWS自己的建議是，先給一個機器人一件範圍很小的固定工作、把權限收緊，確認結果可靠再放手。如果它抓到更多錯誤，卻也丟出太多不必要的請示，工程師的負擔只是換了個地方。多派幾個機器人，到底是減少協調的功夫，還是讓要顧的事變多，會是工程主管評估時的關鍵。