기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 코딩 어시스턴트를 사용하여 기계 학습 워크플로 가속화
<a name="studio-updated-jl-coding-assistant"></a>

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

Amazon SageMaker AI의 JupyterLab에는 에이전트 컨텍스트 프로토콜(ACP)을 통한 통합 코딩 어시스턴트 지원이 포함되어 있습니다. 기본적으로 Kiro 코딩 어시스턴트는 채팅 패널에 미리 구성되어 있어 JupyterLab 환경 내에서 직접 AI 기반 코드 완성, 디버깅 지원 및 대화형 코딩 지원을 제공합니다.

Amazon SageMaker AI JupyterLab에서 코딩 어시스턴트를 사용하면 스페이스가 관련 Amazon SageMaker AI 스킬을 어시스턴트의 컨텍스트에 자동으로 로드합니다. 이러한 기술은 AWSLabs GitHub 리포지토리에서 로드되며 SageMaker APIs, ML 워크플로, 모범 사례 및 일반적인 패턴에 대한 전문 지식을 제공하므로 코딩 어시스턴트가 보다 정확한 SageMaker별 지침을 제공할 수 있습니다.

또한 원하는 다른 ACP 호환 코딩 어시스턴트를 구성하여 워크플로에 가장 적합한 도구를 유연하게 사용할 수 있습니다. ACP 호환 어시스턴트는 Amazon SageMaker AI JupyterLab 내에서 사용할 때 동일한 Amazon SageMaker AI Skills 통합의 이점을 누릴 수 있습니다.

## 에이전트 컨텍스트 프로토콜(ACP)이란 무엇입니까?
<a name="studio-updated-jl-coding-assistant-acp"></a>

에이전트 컨텍스트 프로토콜(ACP)은 코드 편집기와 AI 코딩 에이전트 간의 통신을 표준화하는 개방형 프로토콜입니다. 즉, 새 인터페이스 또는 워크플로를 학습하지 않고도 서로 다른 코딩 어시스턴트 간에 전환할 수 있습니다.

## 최소 요구 사항
<a name="studio-updated-jl-coding-assistant-requirements"></a>
+ JupyterLab 액세스 권한이 있는 활성 Amazon SageMaker AI 계정
+ SageMaker Distribution(SMD) 버전 4.1
+ Kiro의 경우: 유효한 Kiro 계정 자격 증명

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

**1단계: JupyterLab을 사용하여 SageMaker 스페이스 열기 또는 생성**

1. Amazon SageMaker AI Studio로 이동

1. 왼쪽 탐색 패널의 **스페이스**로 이동하거나 모델 허브에서 “에이전트를 사용하여 사용자 지정”을 클릭합니다.

1. 다음 중 하나를 사용합니다.
   + **스페이스 생성을** 클릭하고 JupyterLab을 애플리케이션으로 선택합니다.
   + JupyterLab이 포함된 기존 스페이스 열기

**2단계: 채팅 패널에서 Kiro 사용 시작:**

Kiro를 코딩 어시스턴트로 사용하려면 먼저 인증이 필요합니다. 채팅 패널은 인증 프로세스를 안내합니다.

1. JupyterLab에서 오른쪽 사이드바의 채팅 아이콘을 클릭하여 채팅 패널을 엽니다.

1. @를 입력하여 사용 가능한 에이전트를 볼 수 있습니다.

1. 에이전트 드롭다운에서 @Kiro를 선택합니다.

1. 질문하기 또는 코드 지원 요청 시작

스페이스에서 Kiro를 처음 사용하면 로그인하라는 메시지가 표시됩니다. 로그인하려면 채팅에서 제공하는 지침을 따르거나 다음을 따르세요.

1. JupyterLab에서 **파일** > **신규** > 터미널이라는 새 **터미널**을 엽니다.

1. 다음 명령을 실행합니다.

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

터미널에서 3가지 로그인 옵션 중 하나를 선택합니다.

1. Builder ID와 함께 무료 사용

1. Google 또는 GitHub에서 무료로 사용

1. Pro 라이선스와 함께 사용

선택한 옵션의 지침과 화면을 따릅니다.

**프롬프트 예제:**
+ “모델을 사용자 지정하고 싶습니다.”

## Kiro에서 Amazon SageMaker AI 기술 액세스
<a name="studio-updated-jl-coding-assistant-skills"></a>

Amazon SageMaker AI Skills는 SageMaker JupyterLab에서 Kiro를 사용할 때 자동으로 사용할 수 있습니다. 이러한 스킬은 AWSLabs GitHub 리포지토리에서 로드되고 JupyterLab 환경 내의 `.kiro/skills` 및 `.agent/skills` 폴더에 저장되므로 이러한 디렉터리에서 로드하는 모든 에이전트와 호환됩니다.

기술 업데이트가 가능하므로 최신 SageMaker 모범 사례 및 API 패턴이 발전함에 따라 이점을 누릴 수 있습니다. Skills를 업데이트하려면 AWSLabs 리포지토리에서 최신 버전을 가져올 수 있습니다. 다음 명령을 실행하여 Kiro에서 사용할 기술을 업데이트할 수 있습니다.

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

다른 에이전트의 경우 자세한 내용은 [SageMaker AI Skills README](https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai)를 참조하세요. 환경에서 사용 가능한 기술을 보려면 JupyterLab 파일 브라우저의 `.kiro/skills` 폴더로 이동합니다.

새로운 SageMaker Distribution(SMD) 릴리스의 일환으로 업데이트된 버전의 기술을 제공합니다. 스페이스 내에서 사용자가 수정하거나 삭제하지 않는 한 스킬이 자동으로 업데이트됩니다. 스킬을 수동으로 업데이트하거나 수정하는 경우 위의 `npx` 명령을 사용하여 스킬을 업데이트하거나 재설정하세요.

## JupyterLab AI를 사용하여 다른 코딩 도우미 구성
<a name="studio-updated-jl-coding-assistant-other"></a>

Amazon SageMaker AI JupyterLab은 에이전트 컨텍스트 프로토콜(ACP)을 구현하는 모든 코딩 어시스턴트를 지원합니다. ACP를 지원하는 어시스턴트의 예는 다음과 같습니다.
+ **Claude**(claude-agent-acp를 통해)
+ **OpenCode**(오픈코드 CLI >= 1.0.0을 통해)
+ **Gemini**(Gemini CLI >= 0.34.0을 통해)
+ **Codex**(codex-acp를 통해)

다른 ACP 호환 코딩 도우미를 사용하려면:

1. JupyterLab 터미널에 어시스턴트의 CLI 도구를 설치합니다.

   Claude의 경우: `npm install -g @zed-industries/claude-agent-acp`

   Gemini의 경우: `npm install -g @google/gemini-cli`

   OpenCode의 경우: `npm install -g opencode-ai`

1. 명령을 실행`restart-jupyter-server`하거나 Studio UI를 통해 공간을 다시 시작하여 공간을 다시 시작합니다. 이렇게 하면 저장되지 않은 작업이나 메모리 상태(예: 활성 커널)가 손실됩니다.

1. 특정 인증 프로세스에 따라 어시스턴트로 인증

1. JupyterLab 채팅 패널의 페르소나 드롭다운에서 어시스턴트를 선택합니다(예: @Claude, @Gemini, @OpenCode).

특히 Claude Code의 경우 Bedrock을 백엔드로 사용하도록 AWS 구성할 수 있습니다. Claude 코드 가이드의 [사전 요구 사항](https://code.claude.com/docs/en/amazon-bedrock), 특히 Bedrock 모델 액세스를 활성화하고 `bedrock:InvokeModel` 및에 대한 실행 역할 액세스를 제공합니다`bedrock:InvokeModelWithResponseStream`. 그런 다음 다음 파일을 생성하여 Bedrock을 사용하도록 Claude Code를 구성합니다.

`~/.claude/settings.json`:

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

## 어시스턴트 간 전환
<a name="studio-updated-jl-coding-assistant-switching"></a>

언제든지 다른 코딩 어시스턴트 간에 전환할 수 있습니다.

1. 사용 가능한 에이전트를 보려면 @를 입력합니다.

1. 선호하는 어시스턴트를 선택합니다(예: @Kiro, @Claude, @Gemini).

1. 새 어시스턴트와 대화를 계속합니다.

각 어시스턴트는 고유한 대화 컨텍스트를 유지하므로 다양한 작업에 필요한 경우 앞뒤로 전환할 수 있습니다.

## Kiro 프로파일 간 전환
<a name="studio-updated-jl-coding-assistant-profiles"></a>

Amazon SageMaker AI JupyterLab의 Kiro는 다양한 워크플로 및 사용 사례에 최적화된 여러 프로파일을 지원합니다. 프로파일 간에 전환하여 현재 작업에 맞는 다양한 기능 및 동작에 액세스할 수 있습니다. Amazon SageMaker AI JupyterLab에는 다음과 같은 Kiro 프로필이 함께 제공됩니다.
+ **sagemaker-ai-default**: Amazon SageMaker AI Skills에 액세스할 수 있는 일반 Amazon SageMaker AI 개발에 최적화되었습니다. 이는 SageMaker JupyterLab에서 Kiro 사용을 처음 시작할 때의 기본 프로필입니다.
+ **kiro-default**: SageMaker별 사용자 지정이 없는 표준 Kiro 프로파일로, 언어 및 프레임워크 전반에서 일반적인 코딩 지원을 제공합니다.
+ **kiro-planner**: ML 프로젝트의 프로젝트 계획, 아키텍처 설계 및 고급 기술 의사 결정에 중점을 둡니다.

JupyterLab에서 Kiro 프로필 간에 전환하려면:

1. JupyterLab에서 Kiro 채팅 패널 열기

1. 다음 명령을 입력합니다.

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

   예제:

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

1. Kiro가 프로필 전환을 확인하고 새 프로필의 기능으로 다시 로드합니다.

## 추가 리소스
<a name="studio-updated-jl-coding-assistant-resources"></a>
+ [Jupyter AI ACP 클라이언트 설명서](https://github.com/jupyter-ai-contrib/jupyter-ai-acp-client)
+ [에이전트 컨텍스트 프로토콜 사양](https://acp-protocol.dev/)
+ [Kiro 설명서](https://kiro.dev/docs)
+ [Amazon SageMaker AI 설명서](https://docs.aws.amazon.com/sagemaker/latest/dg/)