用了一周 Amazon Q Developer，这几个场景真香

写 Lambda 函数从零开始要多久？加上调 Bedrock 的参数、DynamoDB 的读写、SNS 通知------搞不好半天就过去了。

我用 Amazon Q Developer 跑了一周，有些场景确实快得离谱。直接上干货。

先说说它是什么

Amazon Q Developer 是亚马逊云科技的 AI 编程助手，装在 VS Code 或 JetBrains 里用。核心能力：

实时代码补全：写到一半它就猜出你要干嘛
自然语言生成代码：描述需求，直接出代码
代码解释 & 转换：看不懂的代码丢给它解释，Python 2 转 3 也能搞
安全扫描：帮你揪出硬编码 credentials 和过宽的 IAM 权限

重点是：它对 AWS 服务的理解是原生的。写 Lambda、DynamoDB、S3 相关代码时，补全准确度明显不一样。

场景一：写 Lambda 函数（最香的）

输入注释描述需求：

python 复制代码

# Create a Lambda function that:
# 1. Receives an S3 event when a new image is uploaded
# 2. Uses Bedrock to analyze the image content
# 3. Stores the analysis result in DynamoDB
# 4. Sends a notification via SNS

Q Developer 生成的代码：

python 复制代码

import boto3
import json
import os
from datetime import datetime

bedrock = boto3.client('bedrock-runtime', region_name='us-east-1')
dynamodb = boto3.resource('dynamodb')
sns = boto3.client('sns')
s3 = boto3.client('s3')

table = dynamodb.Table(os.environ['TABLE_NAME'])
topic_arn = os.environ['SNS_TOPIC_ARN']

def handler(event, context):
    for record in event['Records']:
        bucket = record['s3']['bucket']['name']
        key = record['s3']['object']['key']
        
        # Get image from S3
        response = s3.get_object(Bucket=bucket, Key=key)
        image_bytes = response['Body'].read()
        
        # Analyze with Bedrock Claude
        analysis = bedrock.invoke_model(
            modelId='anthropic.claude-3-haiku-20240307-v1:0',
            body=json.dumps({
                'messages': [{
                    'role': 'user',
                    'content': [
                        {'type': 'image', 'source': {
                            'type': 'base64',
                            'media_type': 'image/jpeg',
                            'data': __import__('base64').b64encode(image_bytes).decode()
                        }},
                        {'type': 'text', 'text': 'Describe this image in detail.'}
                    ]
                }],
                'max_tokens': 1024
            })
        )
        
        result = json.loads(analysis['body'].read())
        description = result['content'][0]['text']
        
        # Store in DynamoDB
        table.put_item(Item={
            'image_key': key,
            'bucket': bucket,
            'description': description,
            'analyzed_at': datetime.utcnow().isoformat(),
            'status': 'completed'
        })
        
        # Send notification
        sns.publish(
            TopicArn=topic_arn,
            Subject=f'Image Analyzed: {key}',
            Message=f'Image {key} analyzed successfully.\n\nDescription: {description[:200]}'
        )
    
    return {'statusCode': 200, 'body': 'OK'}

说实话，Bedrock 的 modelId、多模态输入格式、S3 event 结构------全对。环境变量用法也合理。

核心缺的是错误处理，手动加 try/except 改了不到 10 行就能跑。比从零写快了至少 20 分钟。

场景二：CDK 基础设施代码

typescript 复制代码

// Create a CDK stack with:
// - API Gateway REST API
// - Lambda function behind it
// - DynamoDB table for storage
// - Cognito user pool for auth

生成的 CDK 代码基本可用。IAM 权限的 grantReadWriteData() 和 API Gateway 的 LambdaIntegration 都是推荐写法，不是那种一把梭 "Resource": "*" 的野路子。

场景三：安全扫描

我拿老项目跑了一遍，发现了 3 个之前 review 没抓住的问题：

硬编码的 credentials
过于宽泛的 IAM 策略
未加密的 S3 桶配置

这个功能平时不起眼，但关键时刻能救命。

场景四：代码转换

Python 2 转 Python 3 的老活：

print 语句 → print() 函数 ✓
unicode → str ✓
dict.iteritems() → dict.items() ✓
except Exception, e → except Exception as e ✓

准确率大概 95%，剩下 5% 是边缘情况手动调。

总结一下

场景	效率提升	准确度
AWS 服务代码	明显	高
CDK/CloudFormation	明显	高
安全扫描	有价值	中高
代码转换	明显	高
通用业务逻辑	一般	中等

核心优势就一句话：对 AWS 生态理解深。写 Bedrock、Lambda、DynamoDB 代码时，API 签名、IAM 权限模型、调用格式都是对的。

局限也有------复杂业务逻辑还得人来设计，AI 生成的代码结构合理但缺乏业务上下文理解。

怎么用

VS Code 装 Amazon Q 扩展
Builder ID 登录（免费）
开写，AI 自动补全

免费版日常够用，Pro 版（$19/月）上下文窗口更大，安全扫描额度更多。

🔗 Amazon Q Developer：aws.amazon.com/cn/q/develo... 🔗 VS Code 扩展：marketplace.visualstudio.com/items?itemN...