AWS Kiro Mengecek Spec Sebelum AI Menulis Kode

Dalam alat coding berbasis spec, requirements yang buruk bisa diperbesar skalanya oleh generator kode. Requirements Analysis mencoba menggeser deteksi masalah lebih awal, sebelum asumsi yang salah berubah menjadi file, tes, dan keputusan arsitektur.

Parallel Task Execution dan Quick Plan

Dua fitur lain lebih berhubungan dengan kecepatan alur kerja. SiliconAngle melaporkan AWS ingin mengurangi bottleneck antara perencanaan arsitektur dan eksekusi kode; Parallel Task Execution termasuk kemampuan yang digulirkan untuk membantu developer bergerak lebih cepat.

Sumber yang tersedia tidak memberi rincian teknis tentang bagaimana Kiro menjadwalkan task secara paralel. Jadi, deskripsi yang paling aman adalah: Parallel Task Execution merupakan peningkatan sisi eksekusi, bukan mekanisme pembuktian kebenaran requirements.

Quick Plan juga digambarkan sebagai kemampuan workflow yang lebih ringkas untuk membawa developer lebih cepat dari rencana ke eksekusi. Dengan kata lain, Requirements Analysis mengecek apakah rencananya masuk akal; Parallel Task Execution dan Quick Plan membantu rencana itu dijalankan lebih lancar.

Kenapa ini cocok dengan model spec-driven Kiro

Kiro bukan sekadar chatbot yang menempel di editor kode. Dokumentasi AWS menyebut Kiro sebagai layanan agentic coding yang dapat mengubah prompt menjadi spec terperinci, lalu menjadi kode yang berjalan, dokumentasi, dan tes. Kiro juga dibangun di atas Amazon Bedrock, layanan terkelola AWS untuk membangun aplikasi AI generatif yang memakai beberapa model fondasi.

Dalam dokumentasi Kiro, spec atau spesifikasi dijelaskan sebagai artefak terstruktur untuk memformalkan proses pengembangan fitur dan perbaikan bug. Tujuannya adalah mengubah ide tingkat tinggi menjadi rencana implementasi yang dapat dilacak dan dipertanggungjawabkan.

Spec tersebut dapat memecah requirements menjadi user story dengan acceptance criteria, mendukung dokumen desain, dan melacak progres implementasi dalam task-task terpisah. Halaman produk Kiro juga menyebut bahwa prompt bahasa natural diubah menjadi requirements dan acceptance criteria dalam notasi EARS, sehingga niat dan batasan developer menjadi lebih eksplisit.

Di sinilah Requirements Analysis masuk. Kiro sudah menempatkan lapisan spesifikasi di antara prompt dan kode yang dihasilkan; fitur baru ini memperkuat lapisan tersebut dengan memeriksa apakah requirements memiliki gap atau saling bertentangan sebelum tahap implementasi.

Membaca klaim neurosymbolic dengan hati-hati

Penjelasan yang paling aman, berdasarkan sumber yang tersedia, adalah bahwa Kiro memakai pengembangan berbasis model bahasa dan Requirements Analysis dilaporkan menggabungkan interpretasi berbasis model dengan pemeriksaan formal. Dokumentasi AWS menyatakan Kiro menggunakan beberapa foundation model melalui Amazon Bedrock. GeekWire melaporkan Requirements Analysis menggabungkan large language model dengan mekanisme pengecekan tambahan, sementara satu tulisan teknis user-generated membingkai pendekatan ini sebagai neurosymbolic AI: gabungan keluwesan bahasa LLM dengan logika matematika formal.

Jika disederhanakan, alur yang didukung sumber dapat dibaca seperti ini:

1. Input bahasa natural diubah menjadi requirements terstruktur. Kiro memulai dari prompt bahasa natural lalu mengubahnya menjadi spec, requirements, dan acceptance criteria.
2. Notasi EARS membuat format lebih teratur. Situs Kiro menyebut EARS digunakan untuk membuat niat dan constraint eksplisit, sehingga bahasa yang semula longgar menjadi lebih mudah diperiksa.
3. Requirements perlu diformalkan sebagai constraint logis. Dalam arsitektur formal checking, requirements terstruktur harus diterjemahkan ke representasi yang bisa dibaca solver. SMT-LIB adalah bahasa standar untuk berinteraksi dengan SMT solver, yaitu program yang menyelesaikan masalah constraint logis dan berguna untuk reasoning perangkat lunak.
4. SMT solver mengecek apakah constraint bisa dipenuhi. SMT solver dapat menentukan apakah benchmark dari pustaka SMT-LIB bersifat satisfiable atau unsatisfiable. Jika diterapkan pada requirements, constraint yang unsatisfiable menunjukkan bahwa requirements yang dikodekan tidak mungkin semuanya benar pada saat yang sama.
5. Ambiguitas adalah bagian yang paling sedikit terdokumentasi. Sumber yang tersedia mendukung tujuan menangkap kontradiksi dan gap, serta mendukung pemakaian EARS oleh Kiro. Namun, sumber tersebut tidak mengonfirmasi implementasi AWS yang memakai semantic entropy sebagai sinyal resmi ambiguitas. Jadi, istilah semantic entropy sebaiknya dibaca sebagai mekanisme yang dilaporkan atau disimpulkan dalam pembahasan teknis, bukan detail produk yang sudah terverifikasi.

Apa yang bisa dan tidak bisa dibuktikan

Nuansa pentingnya: analisis formal hanya memeriksa requirements sebagaimana requirements itu direpresentasikan. Jika penerjemahan dari bahasa natural ke constraint formal keliru atau tidak lengkap, hasil solver tetap bisa melewatkan masalah dunia nyata.

Untuk kontradiksi, logikanya relatif jelas. Jika dua requirements yang sudah dienkode tidak mungkin sama-sama berlaku, kumpulan constraint bisa menjadi unsatisfiable. Untuk ketidaklengkapan, masalahnya lebih sulit. Checker dapat menandai kasus yang hilang hanya jika domain, state yang diharapkan, atau kondisi wajib sudah dimodelkan cukup baik sehingga celahnya terlihat.

Untuk ambiguitas, penggunaan notasi EARS dapat mengurangi bahasa yang terlalu samar karena intent dan constraint dibuat eksplisit. Tetapi bukti yang tersedia tidak menunjukkan jaminan resmi bahwa Kiro dapat menemukan semua requirements yang ambigu.

Dampaknya bagi developer

Secara praktis, workflow Kiro menjadi lebih front-loaded. Alih-alih langsung meminta agen AI menghasilkan kode dan baru mengandalkan review belakangan, Kiro mendorong lebih banyak struktur di awal: requirements, acceptance criteria, desain, dan task muncul sebelum kode.

Requirements Analysis menambahkan langkah validasi pada bagian depan itu. Setelah rencana dianggap lebih koheren, Parallel Task Execution dan Quick Plan berfokus pada sisi berikutnya: mempercepat implementasi dan mengurangi gesekan dari rencana ke eksekusi.

Bagi tim engineering, nilai utamanya bukan hanya produktivitas. Ini juga soal mencegah kesalahan yang berasal dari requirements yang kabur, kategori masalah yang menurut laporan bisa sulit terlihat dan mahal diperbaiki jika baru ditemukan belakangan.

Yang sudah jelas, dan yang masih belum jelas

Bagian yang sudah terkonfirmasi cukup tegas: Kiro adalah layanan agentic coding berbasis spec; ia mengubah prompt menjadi spec dan artefak implementasi; Kiro memakai notasi EARS untuk requirements dan acceptance criteria; dan pembaruan ini menambahkan Requirements Analysis, Parallel Task Execution, serta Quick Plan.

Yang belum jelas adalah arsitektur internal lengkap dari Requirements Analysis. Sumber yang tersedia mendukung framing neurosymbolic secara umum dan penggunaan formal reasoning, tetapi belum ada spesifikasi teknis resmi AWS yang mengikat LLM, EARS notation, formalisasi SMT-LIB, semantic entropy, dan implementasi SMT solver tertentu langkah demi langkah.

Sampai AWS merilis detail sedalam itu, pembacaan paling hati-hati adalah: Requirements Analysis adalah fitur pemeriksaan requirements dengan tujuan formal reasoning, sementara mekanisme internal penuhnya masih terdokumentasi sebagian.