AWS Kiro का Requirements Analysis: AI कोड लिखने से पहले specs कैसे जांचता है

Parallel Task Execution: execution bottleneck कम करने की कोशिश

Parallel Task Execution इसी Kiro update का दूसरा हिस्सा है। SiliconAngle की report के मुताबिक AWS architectural planning और code execution के बीच आने वाले bottleneck को कम करना चाहता है, और Parallel Task Execution उन capabilities में शामिल है जो developers को तेजी से आगे बढ़ाने के लिए roll out हो रही हैं।

उपलब्ध sources यह नहीं बताते कि Kiro के भीतर task parallelism technical level पर कैसे schedule होता है। इसलिए इसे correctness mechanism कहने के बजाय execution-speed improvement के रूप में समझना ज्यादा सुरक्षित है।

Quick Plan: planning से implementation तक छोटा रास्ता

Quick Plan को एक streamlined workflow capability के रूप में बताया गया है, जो Kiro updates के साथ developers को planning से execution तक तेजी से ले जाने के लिए आ रही है। यानी Requirements Analysis plan की गुणवत्ता जांचता है, जबकि Quick Plan और Parallel Task Execution उस plan पर काम शुरू करने की friction कम करते हैं।

Kiro का spec-driven model क्यों महत्वपूर्ण है

AWS के documentation के मुताबिक Kiro एक agentic coding service है, जो prompts को detailed specs में और फिर working code, documentation और tests में बदलने में मदद करती है। Kiro की specs documentation specs को structured artifacts बताती है, जो features और bug fixes के development process को formalize करते हैं और high-level ideas को detailed implementation plans में बदलते हैं।

इन specs के जरिए requirements को user stories और acceptance criteria में तोड़ा जा सकता है, design documents बनाए जा सकते हैं और implementation progress को tasks के जरिए track किया जा सकता है। Kiro की product page यह भी कहती है कि यह natural-language prompts को EARS notation में clear requirements और acceptance criteria में बदलता है, ताकि developer का intent और constraints ज्यादा स्पष्ट हों।

यही Requirements Analysis का संदर्भ है। Kiro पहले से prompt और generated code के बीच specification layer रखता है; नई capability उसी layer को मजबूत करने की कोशिश करती है, ताकि implementation से पहले requirement की consistency और completeness जांची जा सके।

Neurosymbolic approach: क्या evidence साफ है, और क्या नहीं

सबसे मजबूत, source-backed बात यह है कि Kiro language-model-driven development पर चलता है और Requirements Analysis को formal reasoning के लक्ष्य से जोड़ा जा रहा है। AWS documentation कहती है कि Kiro Amazon Bedrock पर बना है और tasks पूरे करने के लिए multiple foundation models का उपयोग करता है। GeekWire की report Requirements Analysis को large language models और अतिरिक्त checking machinery के combination के रूप में पेश करती है, जबकि एक user-generated technical account इसे neurosymbolic AI कहता है—यानी large language models की language fluency और formal mathematical logic को साथ लाने की कोशिश।

Source-grounded तरीके से इसका संभावित workflow कुछ यूं समझा जा सकता है:

1. Natural-language input से structured requirements बनते हैं। Kiro prompt को specs, requirements और acceptance criteria में बदलता है।
2. EARS notation wording को ज्यादा नियंत्रित बनाता है। Kiro की site के अनुसार EARS notation intent और constraints को explicit बनाने में मदद करता है।
3. Formalization requirements को logical constraints में बदलती है। किसी formal-checking architecture में structured requirements को solver-readable representation में बदलना पड़ता है। SMT-LIB, SMT solvers से interact करने की standard language है; ये solvers logical constraint problems और software reasoning में इस्तेमाल होते हैं।
4. SMT solver satisfiability check करता है। SMT solvers SMT-LIB benchmark library के benchmarks की satisfiability या unsatisfiability तय कर सकते हैं। Requirements के संदर्भ में अगर encoded constraints एक साथ सच नहीं हो सकते, तो unsatisfiable result contradiction का signal हो सकता है।
5. Semantic entropy वाला हिस्सा सबसे कम documented है। दिए गए sources contradictions और gaps पकड़ने के लक्ष्य तथा Kiro में EARS notation के उपयोग को support करते हैं। लेकिन वे यह स्वतंत्र रूप से confirm नहीं करते कि AWS ने semantic entropy को ambiguity detect करने वाले official signal के रूप में documented किया है। इसलिए इसे reported या inferred mechanism की तरह पढ़ना चाहिए, verified product detail की तरह नहीं।

यह क्या prove कर सकता है, और क्या नहीं

यहां सबसे जरूरी nuance है: formal analysis केवल उन्हीं requirements को जांच सकता है जैसी वे formal representation में encode की गई हैं। अगर natural language से logical constraints में translation गलत या अधूरी है, तो solver का result real-world problem को miss कर सकता है।

Contradictions के लिए SMT-solver logic अपेक्षाकृत सीधा है: अगर दो encoded requirements एक साथ true नहीं हो सकतीं, तो पूरा constraint set unsatisfiable हो सकता है। Incompleteness ज्यादा कठिन समस्या है। कोई checker missing cases तभी flag कर सकता है जब domain, expected states या required conditions इतने अच्छे से model किए गए हों कि gap दिखाई दे सके।

Ambiguity के मामले में EARS notation vagueness कम करने में मदद कर सकता है, क्योंकि Kiro इसे intent और constraints स्पष्ट करने के लिए इस्तेमाल करता है। लेकिन उपलब्ध evidence यह नहीं दिखाता कि AWS सभी ambiguous requirements detect करने की formal guarantee दे रहा है।

Developers के workflow में क्या बदलेगा

Practical असर यह है कि Kiro workflow और ज्यादा front-loaded हो जाता है। AI agent से तुरंत code generate करवाने के बजाय Kiro requirements, acceptance criteria, design और tasks को code से पहले रखता है।

Requirements Analysis इसी front end में validation step जोड़ता है। दूसरी ओर Parallel Task Execution और Quick Plan plan तैयार होने के बाद की गति और flow को बेहतर बनाने पर केंद्रित हैं। आसान शब्दों में कहें तो AWS Kiro को एक साथ ज्यादा disciplined और ज्यादा fast बनाना चाहता है: पहले spec को coherent बनाओ, फिर implementation में friction कम करो।

क्या confirmed है, और क्या अभी unclear है

Confirmed pieces साफ हैं: AWS Kiro एक spec-driven, agentic coding service है; यह prompts को specs और implementation artifacts में बदल सकता है; requirements और acceptance criteria के लिए EARS notation का उपयोग बताता है; और नई update में Requirements Analysis, Parallel Task Execution और Quick Plan शामिल हैं।

Unclear हिस्सा Requirements Analysis की exact internal architecture है। उपलब्ध sources high-level neurosymbolic framing और formal reasoning goal को support करते हैं, लेकिन वे कोई official AWS technical specification नहीं देते जो LLMs, EARS notation, SMT-LIB formalization, semantic entropy और किसी specific SMT solver implementation को step by step जोड़ दे। जब तक AWS ऐसी detail publish नहीं करता, सबसे सुरक्षित पढ़ाई यही है कि Requirements Analysis requirements-checking feature है जिसकी दिशा formal reasoning की ओर है, लेकिन उसके full mechanics अभी partly documented हैं।