Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Utilizar un asistente de codificación para agilizar los flujos de trabajo de aprendizaje automático
## Descripción general de
JupyterLab en Amazon SageMaker AI incluye soporte de asistente de codificación integrado a través del Agent Context Protocol (ACP). De forma predeterminada, el asistente de codificación Kiro viene preconfigurado en el panel de chat y proporciona asistencia para completar el AI-powered código, depurar y programar de forma interactiva directamente en su entorno. JupyterLab
Cuando utilizas asistentes de programación en Amazon SageMaker AI JupyterLab, el espacio carga automáticamente las habilidades de SageMaker IA de Amazon relevantes en el contexto de tu asistente. Estas habilidades se descargan del GitHub repositorio de AWSlabs y proporcionan conocimientos especializados sobre SageMaker las API, los flujos de trabajo de aprendizaje automático, las mejores prácticas y los patrones comunes, lo que permite a su asistente de programación ofrecer una orientación más precisa. SageMaker-specific
Además, puede configurar otros asistentes de ACP-compatible codificación de su elección, lo que le da flexibilidad para trabajar con las herramientas que mejor se adapten a su flujo de trabajo. ACP-compatible los asistentes pueden beneficiarse de la misma integración de Amazon SageMaker AI Skills cuando se utilizan en Amazon SageMaker AI JupyterLab.
## ¿Qué es el Agent Context Protocol (ACP)?
El Agent Context Protocol (ACP) es un protocolo abierto que estandariza la comunicación entre los editores de código y los agentes de codificación de IA. Esto significa que puede cambiar entre diferentes asistentes de codificación sin necesidad de aprender nuevas interfaces o flujos de trabajo.
## Requisitos mínimos
+ Cuenta Amazon SageMaker AI activa con JupyterLab acceso
+ SageMaker Versión 4.1 de distribución (SMD)
+ Para Kiro: credenciales de cuenta Kiro válidas
## Introducción
**Paso 1: Abre o crea un espacio con SageMaker JupyterLab**
1. Navegue hasta Amazon SageMaker AI Studio
1. Ve a **Spaces** en el panel de navegación izquierdo o haz clic en «Personalizar con un agente» en el centro de modelos
1. Con cualquiera de las siguientes opciones:
+ Haga clic en **Crear espacio** y selecciónelo JupyterLab como aplicación
+ Abra un espacio existente que incluya JupyterLab
**Paso 2: Empieza a usar Kiro en el panel de chat:**
Kiro requiere autenticación antes de que puedas usarlo como asistente de codificación. El panel de chat lo guiará a través del proceso de autenticación.
1. En JupyterLab, abre el panel de chat haciendo clic en el icono de chat de la barra lateral derecha
1. Puedes escribir @ para ver tus agentes disponibles
1. Selecciona @Kiro en el menú desplegable de agentes
1. Empieza a hacer preguntas o a solicitar ayuda con el código
Ten en cuenta que la primera vez que utilices Kiro en un espacio, te pedirá que inicies sesión. Para iniciar sesión, sigue las instrucciones del chat o sigue estas instrucciones:
1. En JupyterLab, abre una nueva terminal: **Archivo** > **Nueva** > **Terminal**
1. Ejecute el siguiente comando
```
kiro-cli login --use-device-flow
```
Seleccione una de las tres opciones de inicio de sesión en la terminal:
1. Úselo gratis con Builder ID
1. Úselo gratis con Google o GitHub
1. Úselo con la licencia Pro
Siga las instrucciones y las pantallas de la opción seleccionada.
**Ejemplos de instrucciones:**
+ «Quiero personalizar un modelo»
## Acceso a las habilidades de SageMaker IA de Amazon en Kiro
Las habilidades de SageMaker IA de Amazon están disponibles automáticamente cuando utilizas Kiro in SageMaker JupyterLab. Estas habilidades se cargan desde el GitHub repositorio de AWSlabs y se almacenan en las `.agent/skills` carpetas `.kiro/skills` y de su JupyterLab entorno, lo que las hace compatibles con cualquier agente que se cargue desde estos directorios.
Las habilidades se pueden actualizar, lo que le permite beneficiarse de las SageMaker mejores prácticas y los patrones de API más recientes a medida que evolucionan. Para actualizar sus habilidades, puede obtener las versiones más recientes del repositorio de AWSlabs. Puede ejecutar el siguiente comando para actualizar sus habilidades y usarlas con Kiro:
```
npx skills add https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai/skills --all --agent kiro-cli --copy
```
Para otros agentes, consulta el [README sobre habilidades de SageMaker IA](https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai) para obtener más información. Para ver las habilidades disponibles en su entorno, navegue hasta la `.kiro/skills` carpeta en el explorador de JupyterLab archivos.
Como parte de las nuevas versiones de SageMaker distribución (SMD), ofrecemos versiones actualizadas de las habilidades. Actualizaremos las habilidades automáticamente siempre que el usuario no las haya modificado o eliminado dentro de un espacio. Si actualizas o modificas tus habilidades manualmente, usa los `npx` comandos anteriores para actualizarlas o restablecerlas.
## Configuración de otros asistentes de codificación con JupyterLab IA
Amazon SageMaker AI JupyterLab es compatible con cualquier asistente de codificación que implemente el Agent Context Protocol (ACP). Algunos ejemplos de asistentes que admiten el ACP son:
+ **Claude** (a través de claude-agent-acp)
+ **OpenCode**(mediante CLI de código abierto >= 1.0.0)
+ **Gemini** (mediante la CLI de gemini >= 0.34.0)
+ **Codex** (a través de codex-acp)
Para usar un asistente de codificación diferente: ACP-compatible
1. Instale la herramienta CLI del asistente en su JupyterLab terminal:
Para Claude: `npm install -g @zed-industries/claude-agent-acp`
Para Géminis: `npm install -g @google/gemini-cli`
Para OpenCode: `npm install -g opencode-ai`
1. Reinicie el espacio ejecutando el comando `restart-jupyter-server` o reiniciándolo mediante la interfaz de usuario de Studio. Ten en cuenta que esto provocará la pérdida de cualquier trabajo que no se haya guardado o que esté en estado de memoria (como los núcleos activos).
1. Autentíquese con el asistente siguiendo su proceso de autenticación específico
1. Selecciona el asistente en el menú desplegable de personas del panel de JupyterLab chat (p. ej., @Claude, @Gemini, @) OpenCode
Ten en cuenta que, específicamente en el caso de Claude Code, puedes configurarlo para que utilice AWS Bedrock como backend. Siga los [requisitos previos](https://code.claude.com/docs/en/amazon-bedrock) de la guía de códigos de Claude, específicamente habilitando el acceso al modelo Bedrock y proporcionando a su rol de ejecución acceso a y. `bedrock:InvokeModel` `bedrock:InvokeModelWithResponseStream` A continuación, cree el siguiente archivo para configurar Claude Code para que utilice Bedrock.
`~/.claude/settings.json`:
```
{
"env": {
"CLAUDE_CODE_USE_BEDROCK": "1"
}
}
```
## Cambiar entre asistentes
Puede cambiar entre diferentes asistentes de codificación en cualquier momento:
1. Escriba @ para ver los agentes disponibles
1. Selecciona tu asistente preferido (p. ej., @Kiro, @Claude, @Gemini)
1. Continúa la conversación con el nuevo asistente
Cada asistente mantiene su propio contexto de conversación, por lo que puede cambiar de un lado a otro según sea necesario para realizar diferentes tareas.
## Cambiar entre los perfiles de Kiro
Kiro en Amazon SageMaker AI JupyterLab admite varios perfiles que están optimizados para diferentes flujos de trabajo y casos de uso. Puede cambiar de un perfil a otro para acceder a diferentes conjuntos de capacidades y comportamientos adaptados a su tarea actual. Amazon SageMaker AI JupyterLab incluye los siguientes perfiles de Kiro:
+ **sagemaker-ai-default:** optimizado para el SageMaker desarrollo general de Amazon AI con acceso a Amazon AI Skills. SageMaker Este es el perfil predeterminado al empezar a usar Kiro in por primera vez. SageMaker JupyterLab
+ **kiro-default**: perfil Kiro estándar sin SageMaker-specific personalizaciones, que proporciona asistencia general de codificación en todos los lenguajes y marcos.
+ **kiro-planner**: se centra en la planificación de proyectos, el diseño de la arquitectura y la toma de decisiones técnicas de alto nivel para proyectos de aprendizaje automático.
Para cambiar entre los perfiles de Kiro en: JupyterLab
1. Abre el panel de chat de Kiro en JupyterLab
1. Escriba el siguiente comando:
```
@Kiro /agent swap
```
Por ejemplo:
```
/agent swap kiro-default
```
1. Kiro confirmará el cambio de perfil y lo recargará con las capacidades del nuevo perfil
## Recursos adicionales
+ [Documentación del cliente ACP de Jupyter AI](https://github.com/jupyter-ai-contrib/jupyter-ai-acp-client)
+ [Especificación del protocolo Agent Context](https://acp-protocol.dev/)
+ [Documentación de Kiro](https://kiro.dev/docs)
+ [Documentación de Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/)