Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Verwenden Sie einen Codierungsassistenten, um Ihre Workflows für maschinelles Lernen zu beschleunigen
## -Übersicht
JupyterLab in Amazon SageMaker AI beinhaltet integrierte Unterstützung für Programmierassistenten über das Agent Context Protocol (ACP). Standardmäßig ist der Kodierungsassistent von Kiro im Chat-Panel vorkonfiguriert und bietet AI-powered Code-Vervollständigung, Debugging-Unterstützung und interaktive Codierungsunterstützung direkt in Ihrer Umgebung. JupyterLab
Wenn Sie Programmierassistenten in Amazon SageMaker AI verwenden JupyterLab, lädt der Bereich automatisch relevante Amazon SageMaker AI-Fähigkeiten in den Kontext Ihres Assistenten. Diese Fähigkeiten werden aus dem GitHub AWSLabs-Repository geladen und bieten Fachwissen über SageMaker APIs, ML-Workflows, bewährte Methoden und gängige Muster, sodass Ihr Programmierassistent genauere Anleitungen geben kann. SageMaker-specific
Darüber hinaus können Sie weitere ACP-compatible Programmierassistenten Ihrer Wahl konfigurieren, sodass Sie flexibel mit den Tools arbeiten können, die am besten zu Ihrem Arbeitsablauf passen. ACP-compatible Assistenten können von derselben Amazon SageMaker AI Skills-Integration profitieren, wenn sie in Amazon SageMaker AI verwendet werden JupyterLab.
## Was ist Agent Context Protocol (ACP)?
Das Agent Context Protocol (ACP) ist ein offenes Protokoll, das die Kommunikation zwischen Code-Editoren und KI-Codierungsagenten standardisiert. Das bedeutet, dass Sie zwischen verschiedenen Programmierassistenten wechseln können, ohne neue Benutzeroberflächen oder Workflows erlernen zu müssen.
## Mindestanforderungen
+ Aktives Amazon SageMaker AI-Konto mit JupyterLab Zugriff
+ SageMaker Vertrieb (SMD) Version 4.1
+ Für Kiro: Gültige Anmeldedaten für das Kiro-Konto
## Erste Schritte
**Schritt 1: Öffne oder erstelle einen Bereich mit SageMaker JupyterLab**
1. Navigieren Sie zu Amazon SageMaker AI Studio
1. Gehen Sie im linken Navigationsbereich zu **Spaces** oder klicken Sie im Model Hub auf „Mit Agent anpassen“
1. Entweder:
+ Klicken Sie auf **Create Space** und wählen Sie JupyterLab es als Ihre Anwendung aus
+ Öffnen Sie einen vorhandenen Space, der Folgendes beinhaltet JupyterLab
**Schritt 2: Fangen Sie an, Kiro im Chat-Panel zu verwenden:**
Kiro benötigt eine Authentifizierung, bevor Sie es als Ihren Programmierassistenten verwenden können. Das Chat-Panel führt Sie durch den Authentifizierungsprozess.
1. Öffnen Sie das Chat-Panel JupyterLab, indem Sie auf das Chat-Symbol in der rechten Seitenleiste klicken
1. Sie können @ eingeben, um Ihre verfügbaren Agenten zu sehen
1. Wählen Sie @Kiro aus der Agenten-Dropdownliste
1. Fangen Sie an, Fragen zu stellen oder Codeunterstützung anzufordern
Beachten Sie, dass Sie bei der ersten Verwendung von Kiro in einem Bereich aufgefordert werden, sich anzumelden. Um sich einzuloggen, folgen Sie den Anweisungen im Chat oder folgen Sie hier:
1. Öffnen Sie ein neues Terminal: **Datei** > **Neu** > **Terminal JupyterLab**
1. Führen Sie den folgenden Befehl aus
```
kiro-cli login --use-device-flow
```
Wählen Sie im Terminal eine der 3 Anmeldeoptionen aus:
1. Kostenlos mit Builder ID verwenden
1. Kostenlos mit Google verwenden oder GitHub
1. Mit Pro-Lizenz verwenden
Folgen Sie den Anweisungen und Bildschirmen für die gewählte Option.
**Beispielhafte Eingabeaufforderungen:**
+ „Ich möchte ein Modell anpassen“
## Zugriff auf Amazon SageMaker AI Skills in Kiro
Amazon SageMaker AI Skills sind automatisch verfügbar, wenn Sie Kiro in SageMaker JupyterLab verwenden. Diese Skills werden aus dem GitHub AWSLabs-Repository geladen und in den `.agent/skills` Ordnern `.kiro/skills` und in Ihrer JupyterLab Umgebung gespeichert, sodass sie mit jedem Agenten kompatibel sind, der aus diesen Verzeichnissen lädt.
Die Fähigkeiten können aktualisiert werden, sodass Sie von den neuesten SageMaker Best Practices und API-Mustern profitieren können, wenn sie sich weiterentwickeln. Um Ihre Skills zu aktualisieren, können Sie die neuesten Versionen aus dem AWSLabs-Repository abrufen. Sie können den folgenden Befehl ausführen, um Ihre Skills für die Verwendung mit Kiro zu aktualisieren:
```
npx skills add https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai/skills --all --agent kiro-cli --copy
```
Weitere Informationen zu anderen Agenten finden Sie in der [README-Datei zu SageMaker KI Skills](https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai). Um die in Ihrer Umgebung verfügbaren Skills zu sehen, navigieren Sie im JupyterLab Dateibrowser zu dem `.kiro/skills` Ordner.
Im Rahmen neuer SageMaker Distributionsversionen (SMD) stellen wir aktualisierte Versionen der Skills zur Verfügung. Wir aktualisieren Skills automatisch, sofern sie nicht vom Benutzer innerhalb eines Bereichs geändert oder gelöscht wurden. Wenn du deine Skills manuell aktualisierst oder modifizierst, verwende bitte die obigen `npx` Befehle, um deine Skills zu aktualisieren oder zurückzusetzen.
## Konfiguration anderer Programmierassistenten mit JupyterLab KI
Amazon SageMaker AI JupyterLab unterstützt jeden Programmierassistenten, der das Agent Context Protocol (ACP) implementiert. Zu den Assistenten, die ACP unterstützen, gehören beispielsweise:
+ **Claude** (über claude-agent-acp)
+ **OpenCode**(über Opencode CLI >= 1.0.0)
+ **Gemini** (über Gemini CLI >= 0.34.0)
+ **Codex (über Codex-acp)**
Um einen anderen Codierungsassistenten zu verwenden: ACP-compatible
1. Installieren Sie das CLI-Tool des Assistenten in Ihrem JupyterLab Terminal:
Für Claude: `npm install -g @zed-industries/claude-agent-acp`
Für Gemini: `npm install -g @google/gemini-cli`
Für OpenCode: `npm install -g opencode-ai`
1. Starten Sie den Space neu, indem Sie den Befehl ausführen `restart-jupyter-server` oder indem Sie den Space über die Studio-Benutzeroberfläche neu starten. Bitte beachten Sie, dass dadurch jegliche nicht gespeicherte Arbeit oder der Speicherstatus (z. B. aktive Kernel) verloren geht.
1. Authentifizieren Sie sich beim Assistenten, nachdem Sie dessen spezifischen Authentifizierungsprozess befolgt haben
1. Wählen Sie den Assistenten aus der Persona-Dropdownliste im JupyterLab Chat-Panel aus (z. B. @Claude, @Gemini, @) OpenCode
Bitte beachten Sie, dass Sie Claude Code speziell so konfigurieren können, dass AWS Bedrock als Backend verwendet wird. Folgen Sie den [Voraussetzungen](https://code.claude.com/docs/en/amazon-bedrock) im Claude-Code-Leitfaden, aktivieren Sie insbesondere den Zugriff auf das Bedrock-Modell und gewähren Sie Ihrer Ausführungsrolle Zugriff auf und. `bedrock:InvokeModel` `bedrock:InvokeModelWithResponseStream` Erstellen Sie dann die folgende Datei, um Claude Code für die Verwendung von Bedrock zu konfigurieren.
`~/.claude/settings.json`:
```
{
"env": {
"CLAUDE_CODE_USE_BEDROCK": "1"
}
}
```
## Zwischen Assistenten wechseln
Sie können jederzeit zwischen verschiedenen Programmierassistenten wechseln:
1. Geben Sie @ ein, um Ihre verfügbaren Agenten zu sehen
1. Wählen Sie Ihren bevorzugten Assistenten aus (z. B. @Kiro, @Claude, @Gemini)
1. Setzen Sie Ihr Gespräch mit dem neuen Assistenten fort
Jeder Assistent behält seinen eigenen Konversationskontext bei, sodass Sie bei Bedarf für verschiedene Aufgaben hin und her wechseln können.
## Zwischen Kiro-Profilen wechseln
Kiro in Amazon SageMaker AI JupyterLab unterstützt mehrere Profile, die für unterschiedliche Workflows und Anwendungsfälle optimiert sind. Sie können zwischen Profilen wechseln, um auf verschiedene Funktionen und Verhaltensweisen zuzugreifen, die auf Ihre aktuelle Aufgabe zugeschnitten sind. Amazon SageMaker AI JupyterLab wird mit den folgenden Kiro-Profilen geliefert:
+ **sagemaker-ai-default**: Optimiert für die allgemeine Amazon-KI-Entwicklung mit Zugriff auf Amazon SageMaker AI Skills. SageMaker Dies ist das Standardprofil, wenn Sie Kiro zum ersten Mal verwenden. SageMaker JupyterLab
+ **kiro-default**: Standard-Kiro-Profil ohne SageMaker-specific Anpassungen, das allgemeine Programmierunterstützung für alle Sprachen und Frameworks bietet.
+ **Kiro-Planer**: Konzentriert sich auf Projektplanung, Architekturdesign und technische Entscheidungsfindung auf hoher Ebene für ML-Projekte.
Um zwischen Kiro-Profilen zu wechseln in: JupyterLab
1. Öffnen Sie das Kiro-Chat-Panel in JupyterLab
1. Geben Sie den folgenden Befehl ein:
```
@Kiro /agent swap
```
Beispiel:
```
/agent swap kiro-default
```
1. Kiro bestätigt den Profilwechsel und lädt es mit den Funktionen des neuen Profils neu
## Weitere Ressourcen
+ [Dokumentation zum Jupyter AI ACP-Client](https://github.com/jupyter-ai-contrib/jupyter-ai-acp-client)
+ [Spezifikation des Agentenkontext-Protokolls](https://acp-protocol.dev/)
+ [Kiro-Dokumentation](https://kiro.dev/docs)
+ [Dokumentation zu Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/)