Kiro 網頁端編碼代理發佈
重點摘要
# Kiro 網頁端編碼代理發佈:從瀏覽器直接驅動完整開發工作流 AI 編碼代理的戰場正在從 IDE 插件擴展到瀏覽器。Kiro 公司於 2026 年 5 月 18 日(美國時間)正式公開推出「Kiro Web」,這是一款可直接從網頁瀏覽器使用的編碼 AI 代理,無需安裝任何本地 IDE 即可完成從程式碼撰寫、多倉庫修改到 Pull Request 建立的完整開發任務。Kiro Web 將面向所有使用者開放,包括付費方案 Pro、Pro+ 與 Power 版本的預覽。
# Kiro 網頁端編碼代理發佈:從瀏覽器直接驅動完整開發工作流
AI 編碼代理的戰場正在從 IDE 插件擴展到瀏覽器。Kiro 公司於 2026 年 5 月 18 日(美國時間)正式公開推出「Kiro Web」,這是一款可直接從網頁瀏覽器使用的編碼 AI 代理,無需安裝任何本地 IDE 即可完成從程式碼撰寫、多倉庫修改到 Pull Request 建立的完整開發任務。Kiro Web 將面向所有使用者開放,包括付費方案 Pro、Pro+ 與 Power 版本的預覽。 ## 瀏覽器即開發環境,AI 全權代理開發事務
不同於傳統編碼助手依附於 VS Code 或 JetBrains 等 IDE,Kiro Web 完全執行在瀏覽器端,使用者只需登入 app.kiro.dev,連結 GitHub 帳號,選定目標倉庫,就能立刻開啟與 AI 代理協作的會話。開發者不再需要在本機配置環境、管理套件或手動同步分支;Kiro Web 承擔了讀取程式碼庫、理解上下文、執行修改與提交的整個循環。 使用者在會話中可直接描述需求:「為 API 端點新增認證邏輯」或「更新前端套件後修正所有 breaking changes」,Kiro 會根據當前倉庫的結構、歷史提交與程式碼風格生成對應實作。除了單一指令,Kiro 還提供「Autonomous」(自主)模式,開發者只需將整個任務從頭到尾委託給代理。在此模式下,Kiro 會在正式執行前先提出驗證問題、訂立計畫,然後啟動多個子代理分工完成規劃、編碼與測試,最終產出完整的 Pull Request,而非僅進度報告。 ## 同時處理多倉庫,自動串聯依賴變更
企業級專案往往橫跨數個相依倉庫,Kiro Web 允許在同一個會話中選定多個倉庫作為工作範圍。使用者只需指定修改內容,代理便會遍歷所有相關的儲存庫,在必要時同步更新依賴關係、修改 API 端點契約,並確保前端客戶端能對應後端變更。例如,當開發者要求「在後端新增一個使用者偏好端點」時,Kiro 會自動在後端倉庫新增路由與控制器,在前端倉庫產生對應的 API 呼叫函數,並更新共用型別定義。 這種跨倉庫的協調能力依賴 Kiro 對專案結構的理解。代理會存取整個工作區的原始碼與配置文件,確保修改一致;完成後再依據各倉庫分別建立 Pull Request,並自動將它們標記為相互關聯。 ## GitHub 整合:Issue 驅動與評論指令
Kiro Web 與 GitHub 的工作流深度嵌合。團隊可以設定讓 Kiro 自動認領特定的 GitHub Issue:只需在 Issue 中加入「kiro」標籤,或在評論中輸入「/kiro」,Kiro 便會接收該任務並開始處理。當代理建立 Pull Request 後,審查者可以在 PR 上留下反饋,Kiro 會根據評論自動更新程式碼;若要一次性處理所有審查意見,可使用「/kiro all」指令;若要針對特定問題修正,則可輸入「/kiro fix」並附加說明。 這種互動讓 Kiro 不僅是被動的程式產生器,更像是團隊中的一名虛擬開發者,能參與程式碼審查與迭代循環。 ## 團隊規範內建:Steering File 驅動一致風格
為了讓 AI 代理符合團隊既有的編碼規範與架構慣例,Kiro 引入了「Steering File」機制。團隊可以在倉庫中的 `.kiro/steering/` 目錄下放置一或多個描述編碼準則、架構模式、測試策略與技術設定的文件。這些文件會被 Kiro Web、Kiro IDE 與 Kiro CLI 自動讀取,並在每一次會話中作為行為依據。 相較於傳統的 prompt engineering 或人工編寫規則,Steering File 是結構化且可版本控制的。團隊可以像管理程式碼一樣管理代理的行為準則,隨著專案演進持續迭代。Kiro 還會從歷史 PR 審查中學習,若審查者反覆要求「請避免使用全域變數」,這項回饋會自動反映在未來相同專案的任務執行中,讓代理越來越貼近團隊的開發習慣。 ## 安全隔離的沙盒執行環境
每一項任務都在獨立的沙盒(sandbox)中執行,沙盒在會話結束後即被銷毀。代理僅能存取沙盒內克隆的資源,無法觸及其他系統或未授權的服務。管理員可以從設定頁面限制沙盒的網路存取範圍、MCP 工具清單、基礎映像檔等參數,從源頭降低風險。 對於使用 AWS Identity Center 的組織,管理員可以集中管控哪些團隊成員有權使用 Kiro Web,無需影響其他 Kiro 用戶端。這種分層授權設計讓企業能在推行 AI 編碼代理的同時,維持合規與安全邊界。 ## 開始使用 Kiro Web
Kiro Web 的推出正值 AI 輔助開發工具快速演進的時刻。Cursor 不久前公布了七個最佳實踐,強調如何讓 AI 代理發揮最大效益;Docker 的年度報告指出已有七成開發者依賴 AI 工具;OpenAI 的 CTO 更曾表示其團隊有 80% 的編碼工作由 AI 完成。Kiro Web 選擇以瀏覽器為突破口,瞄準那些不願或無法安裝 IDE 的開發場景,以及需要跨倉庫、跨服務協作的企業團隊。能否在這場日趨激烈的編碼代理競賽中站穩腳步,將取決於它的執行可靠性、團隊整合能力以及持續學習的成熟度。
Related
相關文章

騰訊 AI 生成應用 App“吐司”蘋果 iOS 版上線,主打探索型 Vibe Coding
首頁 > 智能時代>人工智能 騰訊 AI 生成應用 App“吐司”蘋果 iOS 版上線,主打探索型 Vibe Coding 2026/7/7 15:07:42 來源:IT之家 作者:潞源(實習) 責編:潞源 評論: IT之家 7 月 7 日消息,騰訊旗下 AI 生成應用 App“吐司”昨日上線蘋果 App Store,定位為“探索型氛圍編程(Vibe Coding)產品”,安卓版本已在上個月推出。

澳大利亞官員警告:AI 模型已經開始作弊、欺騙、擅自行事
首頁 > 智能時代>人工智能 澳大利亞官員警告:AI 模型已經開始作弊、欺騙、擅自行事 2026/7/7 14:42:39 來源:IT之家 作者:清源 責編:清源 評論: IT之家 7 月 7 日消息,據英國《衛報》今天(7 日)報道,澳大利亞技術和數字經濟助理部長安德魯 · 查爾頓警告,AI 模型已經出現作弊、欺騙和擅自行事等行為。查爾頓在悉尼一場 AI 安全論壇上呼籲,AI 安全問題已經不容拖延。“AI 系統已經開始做出開發者從未預料的行為:作弊、欺騙、擅自行事。必須趁這些行為還停留在測試實驗室時提前幹預,不能等到進入現實世界後再處理。”查爾頓指出,公眾對 AI 的信任度仍然很低,AI 獲得社會認可的基礎並不穩固,但 AI 已逐漸成為辦公室、課堂和企業都能使用的通用技術。合理的安全監管不會阻礙 AI 發展,反而可以為技術應用創造條件。據IT之家瞭解,澳大利亞的 AI 安全治理將同時關注兩類技術。一類是已經進入遊戲、應用程序、聊天機器人和醫療記錄工具的現有 AI,另一類是能力更強、未來可能帶來新風險的前沿模型。查爾頓以 Anthropic 去年披露的一次模擬測試為例。測試中,一個管理虛構公司電子郵件的 AI 智能體發現掌握了公司高管婚外情的信息,隨後該高管準備將其關閉。在 96% 的試驗中,AI 智能體選擇以婚外情要挾高管,試圖阻止自己被關閉的命運。查爾頓表示,此類行為目前仍是在測試環境中,由專門尋找安全問題的人員發現的,恰恰說明 AI 安全監管必須儘早建立。“趕在這項技術前面採取行動的窗口仍然存在,但不會永遠存在。”查爾頓還提到,人類從小就要學習如何與規則、社會規範和價值觀保持一致,從而安全、負責任地行動,例如紅燈要停車、過馬路前要左右看,以及考慮自身行為會給他人造成什麼影響。“隨著 AI 系統能力不斷增強,我們也必須確信,AI 能夠以同樣可預測、值得信賴的方式行事。”

"龍蝦"為什麼這麼火?OpenClaw登頂GitHub後,AI Agent時代真的來了?
賬號設置我的關注我的收藏申請的報道退出登錄登錄搜索36氪Auto數字時氪未來消費智能湧現未來城市啟動Power on36氪出海36氪研究院潮生TIDE36氪企服點評36氪財經職場bonus36碳後浪研究所暗湧Waves硬氪氪睿研究院媒體品牌企業號企服點評36Kr研究院36Kr創新諮詢企業服務核心服務城市之窗政府服務創投發佈LP源計劃VClubVClub投資機。

讓Skill“有圖可依”:openJiuwen首發多模態Skill範式Skill-Omni
openJiuwen 發布業界首個多模態 Skill 範式 Skill-Omni,可從網頁與影片中自動提取視覺經驗,轉換為 Agent 可複用的多模態 Skill,解決純文字指令在圖像編輯與 GUI 自動化任務中「說不清、看不見」的痛點。該功能已在 JiuwenSwarm 中開箱可用,並採用按需讀取機制避免上下文負擔。

AI PPT生成不止“一鍵出稿”:清華、上交、北郵提出MemSlides,讓Slides Agent學會記憶
AI 生成 PPT 早已不是新鮮事,但真實的創作場景往往比「一鍵出稿」複雜得多。使用者拿到第一版投影片後,通常會反覆調整頁面順序、內容密度、視覺風格,甚至在不同輪次的修改中才逐漸透露自己的偏好。這對 AI 系統來說是個不小的挑戰:它不僅要理解當下的指令,還要區分哪些偏好屬於使用者的長期習慣,哪些只是針對當前任務的臨時要求,更要避免在修改某一區域時牽動其他已經對齊的內容。換句話說,AI PPT 工具能否真正勝任多輪協作,關鍵在於它是否具備有效的記憶能力。

AI Agent 不缺掌聲,缺的是訂單
AI Agent 的技術演示往往能贏得滿堂彩,但掌聲背後藏著殘酷現實:多數客戶停留在叫好階段,真正簽約下單的寥寥無幾。這間接點出行業的核心痛點——讓客戶鼓掌不難,難的是把流暢的演示變成白紙黑字的合同。 從掌聲到訂單的斷層,反映出當前 AI Agent 在實際場景中仍面臨信任與落地門檻。