翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# コーディングアシスタントを使用した機械学習ワークフローの迅速化
<a name="studio-updated-jl-coding-assistant"></a>

## 概要
<a name="studio-updated-jl-coding-assistant-overview"></a>

Amazon SageMaker AI の JupyterLab には、エージェントコンテキストプロトコル (ACP) による統合コーディングアシスタントサポートが含まれています。デフォルトでは、Kiro コーディングアシスタントはチャットパネルで事前設定されており、AI を活用したコード補完、デバッグ支援、インタラクティブなコーディングサポートを JupyterLab 環境内で直接提供します。

Amazon SageMaker AI JupyterLab でコーディングアシスタントを使用すると、スペースは関連する Amazon SageMaker AI スキルを自動的にアシスタントのコンテキストにロードします。これらのスキルは AWSLabs GitHub リポジトリからロードされ、SageMaker APIs、ML ワークフロー、ベストプラクティス、一般的なパターンに関する専門知識を提供し、コーディングアシスタントがより正確で SageMaker 固有のガイダンスを提供できるようにします。

さらに、選択した他の ACP 互換コーディングアシスタントを設定できるため、ワークフローに最適なツールを柔軟に操作できます。ACP 互換アシスタントは、Amazon SageMaker AI JupyterLab 内で使用した場合と同じ Amazon SageMaker AI スキル統合のメリットを受けることができます。

## エージェントコンテキストプロトコル (ACP) とは
<a name="studio-updated-jl-coding-assistant-acp"></a>

エージェントコンテキストプロトコル (ACP) は、コードエディタと AI コーディングエージェント間の通信を標準化するオープンプロトコルです。つまり、新しいインターフェイスやワークフローを学習しなくても、さまざまなコーディングアシスタントを切り替えることができます。

## 最小要件
<a name="studio-updated-jl-coding-assistant-requirements"></a>
+ JupyterLab アクセスを持つアクティブな Amazon SageMaker AI アカウント
+ SageMaker Distribution (SMD) バージョン 4.1
+ Kiro の場合: 有効な Kiro アカウントの認証情報

## 開始方法
<a name="studio-updated-jl-coding-assistant-getting-started"></a>

**ステップ 1: JupyterLab で SageMaker スペースを開くか作成する**

1. Amazon SageMaker AI Studio に移動する

1. 左側のナビゲーションパネルの**スペースに移動するか、モデルハブから**「エージェントでカスタマイズ」をクリックします。

1. 次のいずれかを実行します:
   + **スペースの作成**をクリックし、アプリケーションとして JupyterLab を選択します。
   + JupyterLab を含む既存のスペースを開く

**ステップ 2: チャットパネルで Kiro の使用を開始する:**

Kiro では、コーディングアシスタントとして使用する前に認証が必要です。チャットパネルに認証プロセスが表示されます。

1. JupyterLab で、右側のサイドバーのチャットアイコンをクリックしてチャットパネルを開きます。

1. @ と入力すると、使用可能なエージェントを表示できます。

1. エージェントドロップダウンから @Kiro を選択する

1. 質問またはコードサポートのリクエストを開始する

Kiro をスペースで初めて使用する場合は、ログインするよう求められます。ログインするには、チャットの指示に従うか、以下に従います。

1. JupyterLab で、新しいターミナルを開きます: **File** > **New** > **Terminal**

1. 次のコマンドを実行します。

   ```
   kiro-cli login --use-device-flow
   ```

ターミナルで 3 つのログインオプションのいずれかを選択します。

1. ビルダー ID で を無料で使用する

1. Google または GitHub で を無料で使用する

1. Pro ライセンスで を使用する

選択したオプションの指示と画面に従います。

**プロンプトの例:**
+ 「モデルをカスタマイズしたい」

## Kiro での Amazon SageMaker AI スキルへのアクセス
<a name="studio-updated-jl-coding-assistant-skills"></a>

Amazon SageMaker AI スキルは、SageMaker JupyterLab で Kiro を使用する場合に自動的に使用できます。これらのスキルは AWSLabs GitHub リポジトリからロードされ、JupyterLab 環境内の `.kiro/skills`および `.agent/skills`フォルダに保存されるため、これらのディレクトリからロードするエージェントと互換性があります。

スキルは更新可能で、進化に応じて最新の SageMaker のベストプラクティスと API パターンを活用できます。スキルを更新するには、AWSLabs リポジトリから最新バージョンをプルします。次のコマンドを実行して、Kiro で使用するスキルを更新できます。

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

その他のエージェントの詳細については、[SageMaker AI Skills README](https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai) を参照してください。環境で使用可能なスキルを表示するには、JupyterLab ファイルブラウザの `.kiro/skills`フォルダに移動します。

新しい SageMaker Distribution (SMD) リリースの一環として、スキルの更新バージョンを提供しています。スペース内でユーザーが変更または削除していない限り、スキルは自動的に更新されます。スキルを手動で更新または変更する場合は、上記の`npx`コマンドを使用してスキルを更新またはリセットしてください。

## JupyterLab AI を使用した他のコーディングアシスタントの設定
<a name="studio-updated-jl-coding-assistant-other"></a>

Amazon SageMaker AI JupyterLab は、 エージェントコンテキストプロトコル (ACP) を実装するコーディングアシスタントをサポートしています。ACP をサポートするアシスタントの例は次のとおりです。
+ **Claude** (claude-agent-acp 経由)
+ **OpenCode** (Opencode CLI 経由 >= 1.0.0)
+ **Gemini** (gemini CLI >= 0.34.0 経由)
+ **Codex** (codex-acp 経由)

別の ACP 互換コーディングアシスタントを使用するには:

1. JupyterLab ターミナルにアシスタントの CLI ツールをインストールします。

   Claude の場合: `npm install -g @zed-industries/claude-agent-acp`

   Gemini の場合: `npm install -g @google/gemini-cli`

   OpenCode の場合: `npm install -g opencode-ai`

1. コマンドを実行する`restart-jupyter-server`か、Studio UI を介してスペースを再起動して、スペースを再起動します。これにより、保存されていない作業やメモリ状態 (アクティブなカーネルなど) が失われることに注意してください。

1. 特定の認証プロセスに従ってアシスタントで認証する

1. JupyterLab チャットパネルのペルソナドロップダウンからアシスタントを選択します (@Claude、@Gemini、@OpenCode など）。

Claude Code では特に、Bedrock を AWS バックエンドとして使用するように設定できます。Claude コードガイドの[前提条件](https://code.claude.com/docs/en/amazon-bedrock)に従います。具体的には、Bedrock モデルへのアクセスを有効にし、実行ロールに `bedrock:InvokeModel`と へのアクセスを提供します`bedrock:InvokeModelWithResponseStream`。次に、次のファイルを作成して、Bedrock を使用するように Claude Code を設定します。

`~/.claude/settings.json`:

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

## アシスタント間の切り替え
<a name="studio-updated-jl-coding-assistant-switching"></a>

異なるコーディングアシスタントはいつでも切り替えることができます。

1. @ と入力して、使用可能なエージェントを表示します。

1. 任意のアシスタント (@Kiro、@Claude、@Gemini など) を選択する

1. 新しいアシスタントとの会話を続ける

各アシスタントは独自の会話コンテキストを保持するため、必要に応じてさまざまなタスクを切り替えることができます。

## Kiro プロファイル間の切り替え
<a name="studio-updated-jl-coding-assistant-profiles"></a>

Amazon SageMaker AI JupyterLab の Kiro は、さまざまなワークフローやユースケースに最適化された複数のプロファイルをサポートしています。プロファイルを切り替えると、現在のタスクに合わせたさまざまな機能や動作のセットにアクセスできます。Amazon SageMaker AI JupyterLab には、次の Kiro プロファイルが付属しています。
+ **sagemaker-ai-default**: Amazon SageMaker AI スキルにアクセスできる一般的な Amazon SageMaker AI 開発用に最適化されています。これは、SageMaker JupyterLab で初めて Kiro の使用を開始したときのデフォルトのプロファイルです。
+ **kiro-default**: SageMaker 固有のカスタマイズを使用しない Standard Kiro プロファイル。言語やフレームワーク全体で一般的なコーディング支援を提供します。
+ **kiro-planner**: ML プロジェクトのプロジェクト計画、アーキテクチャ設計、高レベルの技術的意思決定に焦点を当てています。

JupyterLab で Kiro プロファイルを切り替えるには:

1. JupyterLab で Kiro チャットパネルを開く

1. 次のコマンドを入力します。

   ```
   @Kiro /agent swap <agent name>
   ```

   例えば、次のようになります。

   ```
   /agent swap kiro-default
   ```

1. Kiro はプロファイルの切り替えを確認し、新しいプロファイルの機能で再ロードします

## その他のリソース
<a name="studio-updated-jl-coding-assistant-resources"></a>
+ [Jupyter AI ACP クライアントドキュメント](https://github.com/jupyter-ai-contrib/jupyter-ai-acp-client)
+ [エージェントコンテキストプロトコルの仕様](https://acp-protocol.dev/)
+ [Kiro ドキュメント](https://kiro.dev/docs)
+ [Amazon SageMaker AI ドキュメント](https://docs.aws.amazon.com/sagemaker/latest/dg/)