Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Utilizzo di un assistente di codifica per accelerare i flussi di lavoro di apprendimento automatico
## Panoramica di
JupyterLab in Amazon SageMaker AI include il supporto integrato dell'assistente di codifica tramite l'Agent Context Protocol (ACP). Per impostazione predefinita, l'assistente di codifica Kiro è preconfigurato nel pannello di chat e fornisce il completamento del AI-powered codice, l'assistenza per il debug e il supporto interattivo per la codifica direttamente all'interno del tuo ambiente. JupyterLab
Quando utilizzi gli assistenti di codifica in Amazon SageMaker AI JupyterLab, lo spazio carica automaticamente le competenze Amazon SageMaker AI pertinenti nel contesto del tuo assistente. Queste competenze vengono caricate dall' GitHub archivio AWSlabs e forniscono conoscenze specialistiche su SageMaker API, flussi di lavoro ML, best practice e modelli comuni, consentendo al tuo assistente di codifica di fornire indicazioni più accurate. SageMaker-specific
Inoltre, puoi configurare altri assistenti di ACP-compatible codifica a tua scelta, offrendoti la flessibilità necessaria per lavorare con gli strumenti più adatti al tuo flusso di lavoro. ACP-compatible gli assistenti possono trarre vantaggio dalla stessa integrazione di Amazon SageMaker AI Skills se utilizzati all'interno di Amazon SageMaker AI JupyterLab.
## Cos'è l'Agent Context Protocol (ACP)?
L'Agent Context Protocol (ACP) è un protocollo aperto che standardizza la comunicazione tra editor di codice e agenti di codifica AI. Ciò significa che puoi passare da un assistente di codifica all'altro senza apprendere nuove interfacce o flussi di lavoro.
## Requisiti minimi
+ Account Amazon SageMaker AI attivo con JupyterLab accesso
+ SageMaker Distribution (SMD) versione 4.1
+ Per Kiro: credenziali valide dell'account Kiro
## Nozioni di base
**Passaggio 1: apri o crea uno spazio con SageMaker JupyterLab**
1. Passa ad Amazon SageMaker AI Studio
1. Vai a **Spaces** nel pannello di navigazione a sinistra o fai clic su «Personalizza con agente» dall'hub del modello
1. Una delle seguenti opzioni:
+ Fai clic su **Crea spazio** e seleziona JupyterLab come applicazione
+ Apri uno spazio esistente che include JupyterLab
**Passo 2: Inizia a usare Kiro nel pannello di chat:**
Kiro richiede l'autenticazione prima di poterlo utilizzare come assistente di programmazione. Il pannello di chat ti guiderà attraverso il processo di autenticazione.
1. In JupyterLab, apri il pannello della chat facendo clic sull'icona della chat nella barra laterale destra
1. Puoi digitare @ per vedere gli agenti disponibili
1. Seleziona @Kiro dal menu a discesa dell'agente
1. Inizia a fare domande o richiedere assistenza per il codice
Nota che la prima volta che usi Kiro in uno spazio, ti verrà chiesto di effettuare il login. Per effettuare il login, segui le istruzioni fornite dalla chat, oppure segui qui:
1. In JupyterLab, apri un nuovo terminale: **File** > **Nuovo** > **Terminale**
1. Esegui il seguente comando
```
kiro-cli login --use-device-flow
```
Seleziona una delle 3 opzioni di accesso nel terminale:
1. Usalo gratuitamente con Builder ID
1. Usalo gratuitamente con Google o GitHub
1. Utilizzare con licenza Pro
Segui le istruzioni e le schermate relative all'opzione selezionata.
**Istruzioni di esempio:**
+ «Voglio personalizzare un modello»
## Accesso alle competenze di Amazon SageMaker AI in Kiro
Amazon SageMaker AI Skills sono disponibili automaticamente quando usi Kiro in SageMaker JupyterLab. Queste competenze vengono caricate dal GitHub repository AWSlabs e archiviate nelle `.agent/skills` cartelle `.kiro/skills` e all'interno JupyterLab dell'ambiente, rendendole compatibili con qualsiasi agente che viene caricato da queste directory.
Le competenze sono aggiornabili e ti consentono di beneficiare delle SageMaker migliori pratiche e dei modelli di API più recenti man mano che si evolvono. Per aggiornare le tue competenze, puoi scaricare le versioni più recenti dal repository AWSlabs. Puoi eseguire il seguente comando per aggiornare le tue abilità da usare con Kiro:
```
npx skills add https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai/skills --all --agent kiro-cli --copy
```
Per gli altri agenti, consulta il [README di SageMaker AI Skills](https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai) per ulteriori informazioni. Per visualizzare le competenze disponibili nel tuo ambiente, accedi alla `.kiro/skills` cartella nel JupyterLab file browser.
Come parte delle nuove versioni di SageMaker Distribution (SMD), forniamo versioni aggiornate delle competenze. Aggiorneremo le abilità automaticamente a condizione che non siano state modificate o eliminate dall'utente all'interno di uno spazio. Se aggiorni o modifichi manualmente le tue abilità, usa i `npx` comandi sopra riportati per aggiornare o reimpostare le tue abilità.
## Configurazione di altri assistenti di codifica con AI JupyterLab
Amazon SageMaker AI JupyterLab supporta qualsiasi assistente di codifica che implementa l'Agent Context Protocol (ACP). Alcuni esempi di assistenti che supportano ACP includono:
+ **Claude (tramite claude-agent-acp**)
+ **OpenCode**(tramite CLI opencode >= 1.0.0)
+ **Gemini** (tramite Gemini CLI >= 0.34.0)
+ **Codex** (tramite codex-acp)
Per utilizzare un assistente di codifica diverso: ACP-compatible
1. Installa lo strumento CLI dell'assistente nel tuo JupyterLab terminale:
Per Claude: `npm install -g @zed-industries/claude-agent-acp`
Per Gemini: `npm install -g @google/gemini-cli`
Per OpenCode: `npm install -g opencode-ai`
1. Riavvia lo spazio eseguendo il comando `restart-jupyter-server` o riavviando lo spazio tramite l'interfaccia utente di Studio. Tieni presente che ciò comporterà la perdita di qualsiasi lavoro non salvato o dello stato della memoria (come i kernel attivi).
1. Effettua l'autenticazione con l'assistente seguendo il relativo processo di autenticazione specifico
1. Seleziona l'assistente dal menu a discesa Persona nel pannello della JupyterLab chat (ad esempio, @Claude, @Gemini, @) OpenCode
Tieni presente che, in particolare, per Claude Code, puoi configurarlo per utilizzare AWS Bedrock come backend. Segui i [prerequisiti](https://code.claude.com/docs/en/amazon-bedrock) nella guida al codice di Claude, abilitando in particolare l'accesso al modello Bedrock e fornendo al tuo ruolo di esecuzione l'accesso a e. `bedrock:InvokeModel` `bedrock:InvokeModelWithResponseStream` Quindi, crea il seguente file per configurare Claude Code per utilizzare Bedrock.
`~/.claude/settings.json`:
```
{
"env": {
"CLAUDE_CODE_USE_BEDROCK": "1"
}
}
```
## Passaggio da un assistente all'altro
Puoi passare da un assistente di codifica all'altro in qualsiasi momento:
1. Digita @ per vedere gli agenti disponibili
1. Seleziona il tuo assistente preferito (ad esempio, @Kiro, @Claude, @Gemini)
1. Continua la conversazione con il nuovo assistente
Ogni assistente mantiene il proprio contesto di conversazione, quindi puoi passare avanti e indietro secondo necessità per diverse attività.
## Passaggio da un profilo Kiro all'altro
Kiro in Amazon SageMaker AI JupyterLab supporta più profili ottimizzati per diversi flussi di lavoro e casi d'uso. Puoi passare da un profilo all'altro per accedere a diversi set di funzionalità e comportamenti personalizzati in base all'attività corrente. Amazon SageMaker AI JupyterLab viene fornito con i seguenti profili Kiro:
+ **sagemaker-ai-default:** ottimizzato per SageMaker lo sviluppo generale di Amazon AI con accesso ad Amazon AI Skills. SageMaker Questo è il profilo predefinito quando inizi a usare Kiro in. SageMaker JupyterLab
+ **kiro-default**: profilo Kiro standard senza SageMaker-specific personalizzazioni, che fornisce assistenza generale alla codifica in tutte le lingue e i framework.
+ **kiro-planner**: focalizzato sulla pianificazione dei progetti, sulla progettazione architettonica e sul processo decisionale tecnico di alto livello per i progetti di machine learning.
Per passare da un profilo Kiro all'altro in: JupyterLab
1. Apri il pannello di chat di Kiro in JupyterLab
1. Digita il seguente comando:
```
@Kiro /agent swap
```
Esempio:
```
/agent swap kiro-default
```
1. Kiro confermerà il cambio di profilo e si ricaricherà con le funzionalità del nuovo profilo
## Risorse aggiuntive
+ [Documentazione del client Jupyter AI ACP](https://github.com/jupyter-ai-contrib/jupyter-ai-acp-client)
+ [Specifiche del protocollo Agent Context](https://acp-protocol.dev/)
+ [Documentazione Kiro](https://kiro.dev/docs)
+ [Documentazione Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/)