评测
GPT-5.6 进 Kiro：82% 成本下降背后的 Spec 驱动 AI Coding
OpenAI 今天宣布 GPT-5.6 系列正式进入 AWS Kiro，Sol、Terra、Luna 都可以用于从需求、技术设计到编码、测试和审查的完整开发流程。真正值得关注的不是“又一个 Coding Agent 支持 GPT-5.6”，而是 OpenAI 与 AWS 公布的一组联合测试：在 Terminal-Bench 2.1 上，GPT-5.6 Terra 在 Kiro 中完成成功任务时的成本约降低 82%。这个数字并不能直接等价为“所有编码任务便宜 82%”，但它揭示了 AI Coding 下一阶段的重点——模型性能之外，**上下文组织、规格约束、任务拆分和自动验证**正在直接决定每个成功任务的成本。
# GPT-5.6 进 Kiro：82% 成本下降背后的 Spec 驱动 AI Coding
## 文章摘要
OpenAI 今天宣布 GPT-5.6 系列正式进入 AWS Kiro，Sol、Terra、Luna 都可以用于从需求、技术设计到编码、测试和审查的完整开发流程。真正值得关注的不是“又一个 Coding Agent 支持 GPT-5.6”，而是 OpenAI 与 AWS 公布的一组联合测试：在 Terminal-Bench 2.1 上，GPT-5.6 Terra 在 Kiro 中完成成功任务时的成本约降低 82%。这个数字并不能直接等价为“所有编码任务便宜 82%”，但它揭示了 AI Coding 下一阶段的重点——模型性能之外，**上下文组织、规格约束、任务拆分和自动验证**正在直接决定每个成功任务的成本。
---
AI Coding 的第一阶段，行业关注的是：
> 模型会不会写代码？
第二阶段变成：
> 模型能不能独立完成更长的任务？
到了 2026 年，更现实的问题已经是：
> **同样一个完成的工程任务，哪套模型 + Agent Harness 能用更少的 Token、更少的返工和更少的人类 Review 完成？**
Kiro 和 GPT-5.6 的组合很适合观察这个变化。
## Kiro 不是传统“聊天式编码”
很多 Coding Agent 的默认工作方式是：
```text
用户：
“给订单服务加一个退款接口。”
↓
Agent 读代码
↓
直接开始改
↓
发现接口不一致
↓
重新读
↓
补测试
↓
再改
```
问题是需求信息通常散落在：
- 对话；
- Issue；
- README；
- 代码；
- 隐含团队规范；
- 开发者脑子里。
Agent 每走错一步，都会产生额外成本。
Kiro 更强调 **Spec-driven Development**。
典型流程是：
```text
Product Intent
↓
Requirements
↓
Technical Design
↓
Executable Tasks
↓
Implementation
↓
Verification
```
先把“想做什么”转成结构化工程上下文，再让模型执行。
## 82% 到底指什么？
OpenAI 与 AWS 表示，在 Terminal-Bench 2.1 的测试里，GPT-5.6 Terra 在 Kiro 中完成成功任务时的成本约降低 82%。
这个表述需要非常谨慎地理解。
它不是：
```text
GPT-5.6 Terra API 价格降低 82%
```
也不是：
```text
所有软件开发成本降低 82%
```
更接近：
```text
在特定 Benchmark
+
Kiro Agent Harness
+
GPT-5.6 Terra
+
成功完成任务这一结果口径
↓
Cost per Successful Task 下降约 82%
```
这里最重要的指标其实是：
> **Cost per Successful Task。**
而不是单纯 Token 单价。
## 为什么“每个成功任务成本”比 Token 单价更重要？
假设模型 A：
```text
输入 + 输出成本 = $0.50
成功率 = 30%
```
平均做成一个任务需要：
```text
$0.50 / 0.30 ≈ $1.67
```
模型 B：
```text
每次调用 = $0.80
成功率 = 80%
```
那么：
```text
$0.80 / 0.80 = $1.00
```
单次调用更贵，但完成结果更便宜。
AI Coding 真正应该优化的是：
```text
Cost
÷
Accepted Outcome
```
## 规格为什么能省钱？
Agent 最大的浪费往往不是“模型回答太长”。
而是：
> **方向错了以后反复返工。**
例如需求只是：
> 给订单增加取消功能。
模型可能需要猜：
- 哪些状态可取消；
- 是否退款；
- 是否写审计日志；
- 是否通知仓储；
- 幂等怎么做；
- 旧客户端是否兼容。
如果这些内容没有进入 Spec，Agent 会在代码里“边走边猜”。
更好的需求规格：
```yaml
feature: cancel_order
allowed_status:
- CREATED
- PAID
forbidden_status:
- SHIPPED
- COMPLETED
side_effects:
- create_refund_when_paid
- append_audit_event
idempotency: required
compatibility: keep_existing_api
```
一开始多花 2 分钟写清楚，可能少掉几十轮 Token。
## GPT-5.6 三档模型更适合“分层用模型”
Kiro 现在支持 GPT-5.6：
```text
Sol
Terra
Luna
```
工程上最值得做的不是：
> 所有任务都用最强模型。
而是按阶段拆分。
例如：
```text
需求不清楚 / 架构复杂
→ Sol
标准实现 / 中等复杂度
→ Terra
测试生成 / 小修改 / 重复任务
→ Luna
```
这会比：
```text
一个模型从头跑到尾
```
更容易控制成本。
## 一个推荐的 Coding Agent 路由策略
```yaml
planning:
model: sol
implementation:
model: terra
test_generation:
model: luna
review_high_risk:
model: sol
routine_fix:
model: luna
```
当然，真正上线前要用自己的 Eval 校准。
不同代码库的结果可能完全不同。
## Kiro 为什么强调 Property-based Testing？
传统 Unit Test 是：
```python
assert add(1, 2) == 3
```
Property-based Testing 更关注：
> 对大量输入，系统是否始终满足某个性质？
例如金额：
```text
refund_amount >= 0
refund_amount <= paid_amount
```
而不是只测试：
```text
refund(100) == 100
```
对 Agent 特别有价值。
因为 AI 很容易写出：
> 看起来正确，但只覆盖示例输入的实现。
Property Test 可以自动探索更多边界。
## AI Coding 的验证栈正在变厚
未来成熟的 Agent Workflow 可能是：
```text
Spec
↓
Agent Plan
↓
Static Analysis
↓
Unit Test
↓
Property-based Test
↓
Security Scan
↓
Contract Test
↓
Human Review
```
模型能力越强，验证系统越重要。
因为一次 Agent 可能改：
> 50 个文件。
人不可能重新手工理解所有细节。
## 团队标准应该成为 Agent 上下文的一部分
Kiro 强调让模型结合：
- Codebase；
- Requirements；
- Team Standards。
企业真正应该整理的是：
```text
Architecture Rules
API Conventions
Error Handling
Logging
Security
Database
Testing
Naming
Observability
```
不要把这些规则只放在 Confluence 某个没人看的页面。
让 Agent 能直接消费。
## 可以把规范做成什么？
例如：
```text
AGENTS.md
```
或者项目级：
```text
engineering-standards/
├── api.md
├── database.md
├── security.md
├── testing.md
└── observability.md
```
Agent 开始任务前读取。
这样模型不是：
> “按互联网最佳实践猜”。
而是：
> “按这家公司实际规则实现”。
## 为什么长任务尤其需要 Checkpoint？
OpenAI 特别强调开发者可以在关键节点 Review 和 refine 模型工作。
长任务里，如果等到最后才检查：
```text
2 小时 Agent 工作
↓
最后发现设计方向错了
```
浪费非常大。
更合理：
```text
需求确认
→ 人检查
技术设计
→ 人检查
任务拆分
→ 人检查
实现
→ 自动验证
最终 PR
→ 人 Review
```
这不是降低 Agent 自动化程度。
而是在高价值位置加入：
> **Human Checkpoint。**
## 一个企业可以直接使用的成本指标
建议记录：
```text
agent_session_id
model
planning_tokens
implementation_tokens
verification_tokens
wall_clock_time
human_review_minutes
retries
pr_merged
post_merge_bug
```
最终计算：
### Cost per Accepted PR
### Cost per Successful Task
### Human Minutes per Merge
### Retry per Task
### Regression Rate
这比统计：
> “本月 Copilot 调用了 100 万次”
有意义得多。
## 82% 也提示了一个更大的趋势
AI Coding 竞争正在从：
```text
Model Benchmark
```
逐渐转向：
```text
Model
×
Context
×
Agent Harness
×
Verification
×
Workflow
```
同一个模型放在两套 Harness 中，最终成本和成功率可能完全不同。
以后企业选 Coding Agent 时，不能只问：
> 用什么模型？
还要问：
- 怎么组织 Spec？
- 怎么管理上下文？
- 怎么拆 Task？
- 怎么验证？
- 怎么 Retry？
- 怎么 Review？
## 哪些团队最适合先尝试 Spec-driven AI Coding？
### 需求复杂但规则稳定的后端系统
### 有明确工程规范的中大型团队
### 重构和迁移项目
### 测试补齐
### API / SDK 开发
### 大量重复但有边界条件的工程任务
反而不太适合的是：
> 需求还没想清楚、业务每天变化、团队标准本身就不存在。
Agent 只会把混乱执行得更快。
## 最终判断
GPT-5.6 进入 Kiro 这件事，表面上是一次模型生态扩展。
真正值得关注的是官方给出的 **82% Cost per Successful Task** 结果。
它提醒我们：
> AI Coding 的效率不只来自模型变便宜。
更大的空间来自：
```text
更清晰的需求
+
更好的工程上下文
+
更合理的模型路由
+
更强的自动验证
+
更早的人类 Checkpoint
```
未来团队不会只比较：
> “哪个模型写代码最强？”
而会比较：
> **哪套 Agent 工作流能以最低的总成本，稳定地产生可以 Merge 的工程结果？**
这才是 AI-native Software Engineering 真正进入生产阶段后的核心指标。
想继续了解 GPT-5.6、Kiro、AI Coding 和 Agent 工程实践，可以访问 **智元选**：https://www.zyentorpicks.com/。我们会持续把最新工具变化拆成可落地的开发方法。