Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Menggunakan asisten pengkodean untuk mempercepat alur kerja pembelajaran mesin Anda

Ikhtisar

JupyterLab di Amazon SageMaker AI menyertakan dukungan asisten pengkodean terintegrasi melalui Agent Context Protocol (ACP). Secara default, asisten pengkodean Kiro sudah dikonfigurasi sebelumnya di panel obrolan, memberikan penyelesaian AI-powered kode, bantuan debugging, dan dukungan pengkodean interaktif langsung di lingkungan Anda. JupyterLab

Saat Anda menggunakan asisten pengkodean di Amazon SageMaker AI JupyterLab, ruang tersebut secara otomatis memuat Keterampilan SageMaker AI Amazon yang relevan ke dalam konteks asisten Anda. Keterampilan ini dimuat dari GitHub repositori AWSlabs dan memberikan pengetahuan khusus tentang SageMaker API, alur kerja, praktik terbaik, dan pola umum, memungkinkan asisten pengkodean Anda memberikan panduan yang lebih akurat. SageMaker-specific

Selain itu, Anda dapat mengonfigurasi asisten ACP-compatible pengkodean lain pilihan Anda, memberi Anda fleksibilitas untuk bekerja dengan alat yang paling sesuai dengan alur kerja Anda. ACP-compatible asisten dapat memperoleh manfaat dari integrasi Amazon SageMaker AI Skills yang sama saat digunakan dalam Amazon SageMaker AI. JupyterLab

Apa itu Agent Context Protocol (ACP)?

Agent Context Protocol (ACP) adalah protokol terbuka yang menstandarisasi komunikasi antara editor kode dan agen pengkodean AI. Ini berarti Anda dapat beralih di antara asisten pengkodean yang berbeda tanpa mempelajari antarmuka atau alur kerja baru.

Persyaratan minimum

Memulai

Langkah 1: Buka atau Buat SageMaker Ruang dengan JupyterLab

Langkah 2: Mulai Menggunakan Kiro di Panel Obrolan:

Kiro memerlukan otentikasi sebelum Anda dapat menggunakannya sebagai asisten pengkodean Anda. Panel obrolan akan memandu Anda melalui proses otentikasi.

Perhatikan bahwa saat pertama kali Anda menggunakan Kiro di suatu spasi, ia akan meminta Anda untuk masuk. Untuk masuk, ikuti instruksi yang diberikan oleh obrolan, atau ikuti di sini:

Pilih salah satu dari 3 opsi login di terminal:

Ikuti instruksi dan layar untuk opsi yang dipilih.

Contoh petunjuk:

Mengakses Keterampilan SageMaker AI Amazon di Kiro

Amazon SageMaker AI Skills tersedia secara otomatis saat Anda menggunakan Kiro di SageMaker JupyterLab. Keterampilan ini dimuat dari GitHub repositori AWSlabs dan disimpan di .kiro/skills dan .agent/skills folder dalam JupyterLab lingkungan Anda, membuatnya kompatibel dengan agen apa pun yang memuat dari direktori ini.

Keterampilan dapat diperbarui, memungkinkan Anda untuk mendapatkan manfaat dari praktik SageMaker terbaik dan pola API terbaru saat mereka berkembang. Untuk memperbarui Keterampilan Anda, Anda dapat menarik versi terbaru dari repositori AWSlabs. Anda dapat menjalankan perintah berikut untuk memperbarui keterampilan Anda untuk digunakan dengan Kiro:

npx skills add https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai/skills --all --agent kiro-cli --copy

Untuk agen lain, silakan lihat SageMaker AI Skills README untuk informasi lebih lanjut. Untuk melihat Keterampilan yang tersedia di lingkungan Anda, navigasikan ke .kiro/skills folder di browser JupyterLab file.

Sebagai bagian dari rilis SageMaker Distribusi (SMD) baru, kami menyediakan versi keterampilan yang diperbarui. Kami akan memperbarui keterampilan secara otomatis selama mereka belum dimodifikasi atau dihapus oleh pengguna dalam ruang. Jika Anda memperbarui atau memodifikasi keterampilan Anda secara manual, gunakan npx perintah di atas untuk memperbarui atau mengatur ulang keterampilan Anda.

Mengkonfigurasi Asisten Pengkodean Lainnya dengan AI JupyterLab

Amazon SageMaker AI JupyterLab mendukung asisten pengkodean apa pun yang mengimplementasikan Agent Context Protocol (ACP). Contoh asisten yang mendukung ACP meliputi:

Untuk menggunakan asisten ACP-compatible pengkodean yang berbeda:

Harap dicatat bahwa untuk Kode Claude secara khusus, Anda dapat mengonfigurasinya untuk menggunakan AWS Bedrock sebagai backend. Ikuti prasyarat dalam panduan kode Claude, secara khusus mengaktifkan akses model Bedrock dan menyediakan akses peran eksekusi Anda ke dan. bedrock:InvokeModel bedrock:InvokeModelWithResponseStream Kemudian, buat file berikut untuk mengkonfigurasi Claude Code untuk menggunakan Bedrock.

~/.claude/settings.json:

{
  "env": {
    "CLAUDE_CODE_USE_BEDROCK": "1"
  }
}

Beralih Antar Asisten

Anda dapat beralih di antara asisten pengkodean yang berbeda kapan saja:

Setiap asisten mempertahankan konteks percakapannya sendiri, sehingga Anda dapat beralih bolak-balik sesuai kebutuhan untuk tugas yang berbeda.

Beralih Antar Profil Kiro

Kiro di Amazon SageMaker AI JupyterLab mendukung beberapa profil yang dioptimalkan untuk alur kerja dan kasus penggunaan yang berbeda. Anda dapat beralih antar profil untuk mengakses berbagai kemampuan dan perilaku yang disesuaikan dengan tugas Anda saat ini. Amazon SageMaker AI JupyterLab hadir dengan profil Kiro berikut:

Untuk beralih di antara profil Kiro di JupyterLab:

Sumber Daya Tambahan