AmazonのKiro

AIエージェント型IDEにAWSも参入、狙うはVibe Codingで「ウオーターフォール開発」

という記事を読んだ。

AWS Kiro は、Amazon が開発した AIエージェント型IDE 。

仕様書（spec）をAIが生成し、それを元にコード・テスト・ドキュメントを自動同期するとのこと。

プレビュー版は無料で提供中（利用制限あり）で、仕様駆動開発＋AI自動化で、チームや個人開発の品質管理を支援するのが特徴らしい。

ChatGPTでコードを書くには、前提を記憶するためのメモリーが不足していて、推論が暴走しがちなんだけど、それと比べてKiroはどうなのか、ChatGPTに聞いてみた。

---

KiroとChatGPTを比較すると、確かに「メモリー」と「推論の安定性」で設計思想に違いがあります。

✅ ChatGPTの弱点

1. メモリー不足

セッションごとのコンテキスト長に制限があり、大規模なコードベースや長い仕様を完全に保持できない。

会話を跨ぐと情報がリセットされやすく、「前提が抜ける」問題が起きやすい。

2. 推論の暴走

曖昧な仕様を埋めようとして勝手に推測する。

過剰に「もっともらしい」コードを生成し、動作保証がない。

3. コードベースとの同期が弱い

実際のリポジトリやCI/CDと連動せず、会話の中だけで生成。

履歴・依存関係・バグ情報の参照が限定的。

✅ Kiroの設計（ChatGPTとの違い）

1. メモリーの強化

プロジェクト全体の仕様・コード・テストをAIが継続的に保持し、「spec」という中心ドキュメントで同期。

コンテキストは単なる会話ではなく、リポジトリと直結した「状態」として管理。

2. 推論の制御

AIが勝手に仕様を埋めるのではなく、まずspecを生成してからコードを作る二段階構造。

曖昧な部分は「未確定」としてフラグを立て、人間に確認を促す設計。

3. コードと仕様の常時同期

GitリポジトリやCI/CDと統合し、AIエージェントが実際のコードベースと動的にやり取り。

テストやレビューをフックで自動実行し、暴走を抑制。

✅ それでも残る限界

・仕様の曖昧さ問題は解決しない

Kiroも曖昧な仕様から完璧なコードは作れない。人間が要件を明確にしない限り、ChatGPTと同じ誤りを生む。

・モデルの性質は同じ

ベースはLLMなので、「もっともらしさ」の罠は完全には消えない。

過去のトラブル事例や現場固有のナレッジを注入しなければ、再発防止も限定的。

✅ 結論

ChatGPT：セッション依存の一時的メモリー、推論が暴走しやすい。

Kiro：プロジェクト全体を「状態」として保持し、spec-drivenで推論を制御する。

💡 要するに：

KiroはChatGPTより「メモリー管理」と「暴走防止」の仕組みが強化されており、実プロジェクト向き。

ただし、元仕様が曖昧なら結局は同じ問題に突き当たる。

KiroはAI IDEの進化版だが、万能ではなく、人間が仕様を明確にする責任は残る。

---

M5StackのUIFlowでMicroPythonのコード作成に適しているのは？も、Cursorも含めて聞いてみた。

---

UIFlow（M5Stack）＋MicroPythonのコードを作成する目的なら、Cursor・ChatGPT・Kiroで向き不向きがはっきり分かれます。

✅ 各ツールの適性

ChatGPT

強み：

UIFlowのAPIやM5Stackのハード制御に関する知識を文章で引き出しやすい。

MicroPython特有の制約（メモリ、ライブラリの互換性など）を説明させるのに向く。

弱み：

プロジェクト全体のファイル構成を維持しにくい。

曖昧な仕様では推測でコードを書き、間違いが出やすい。

👉 短いサンプルコードや実験的スケッチには向く。

Cursor

強み：

エディタと連動してMicroPythonファイルを直接編集し、補完や修正ができる。

UIFlowで生成したスケッチを取り込み、リファクタリングや機能追加を行うのに便利。

リポジトリ全体を見ながらコード整合性を維持できる。

弱み：

UIFlowやM5Stack専用の知識はChatGPTほど多くない。

プロンプトなしで完全にゼロから書かせると精度は低下。

👉 UIFlowで作ったコードを整理・保守したい場合に向く。

Kiro

強み：

複数ファイルや設定を持つM5Stackプロジェクトを「spec＋コード＋テスト」で管理。

長期プロジェクトでコード・ドキュメントの同期を維持したい場合に有効。

弱み：

UIFlowやM5Stackに特化した知識はまだ少なく、仕様を自分で明確に書く必要がある。

単発のスケッチや小規模実験ではオーバースペック。

👉 大規模なM5Stackプロジェクトで、仕様書とコードを長期的に同期させたい場合に適する。

✅ 結論

試作や実験的スケッチ → ChatGPT

UIFlow生成コードの整理・拡張 → Cursor

長期プロジェクト＋仕様とコードの一貫性維持 → Kiro

💡 UIFlow＋MicroPythonの単発開発ならCursorが現実的で、ChatGPTを併用するとAPI理解や修正理由の解説が補強されます。

もしあなたの目的が「UIFlowで生成したスケッチをMicroPythonに書き換えて整理する」なら、Cursor＋ChatGPTの併用が最も効率的です。

現状、UIFlow＋MicroPythonに関しては ChatGPTが最も柔軟 なのは間違いありません。特にM5StackやUIFlowのAPI解説、ハード制御の例を出す部分では強いです。

---

簡単なGASなら、ChatGPTが良いかも聞いてみた。

---

はい、簡単なGAS（Google Apps Script）であればChatGPTが最適です。

✅ ChatGPTが向いている理由

1. API知識が豊富

Google Sheets, Gmail, Calendar, Drive などのGAS APIに関するサンプルを即生成できる。

トリガー設定や権限スコープの説明もセットで出せる。

2. 単発スクリプトに強い

「スプレッドシートからメール送信」や「Driveのファイル一覧取得」など、1ファイルで完結する処理なら精度が高い。

テストや実行もブラウザ上でできるため、環境依存の問題が少ない。

3. 自然言語からコード化が簡単

「スプレッドシートのA列を読み込んでメール送る」と書くだけで動くコードを出せる。

✅ 逆にChatGPTだけでは不向きな場合

複数ファイルに分かれた大規模GASプロジェクト

複雑な業務フローを仕様化して長期保守するケース

この場合はCursorやKiroでプロジェクト全体の管理が必要になります。

✅ 結論

簡単なGAS：ChatGPTが最善。

複雑なGAS：Cursor（コード整理） or Kiro（仕様とテスト管理）との併用が有効。

💡 要するに：

スプレッドシート連携や単発自動化ならChatGPTで十分。

チーム開発や長期運用を想定した大規模スクリプトだけ、他ツールを検討する価値があります。

---

自分が作る電子工作的な用途において、当面は、暴走しがちなChatGPTが最適なようだ。

が、ClaudeやCursorを実際に試してみたら、明らかにChatGPTよりも性能が良かった。