Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Utiliser un assistant de codage pour accélérer vos flux de travail d'apprentissage automatique ## Présentation de JupyterLab d'Amazon SageMaker AI inclut un support d'assistant de codage intégré via le protocole ACP (Agent Context Protocol). Par défaut, l'assistant de codage Kiro est préconfiguré dans le panneau de discussion et fournit une assistance pour la complétion AI-powered du code, une assistance au débogage et une assistance interactive au codage directement dans votre environnement. JupyterLab Lorsque vous utilisez des assistants de codage dans Amazon SageMaker AI JupyterLab, l'espace charge automatiquement les compétences Amazon SageMaker AI pertinentes dans le contexte de votre assistant. Ces compétences sont chargées à partir du GitHub référentiel AWSlabs et fournissent des connaissances spécialisées sur les SageMaker API, les flux de travail de machine learning, les meilleures pratiques et les modèles courants, permettant à votre assistant de codage de donner des conseils plus précis. SageMaker-specific En outre, vous pouvez configurer d'autres assistants de ACP-compatible codage de votre choix, ce qui vous permet de travailler avec les outils les mieux adaptés à votre flux de travail. ACP-compatible les assistants peuvent bénéficier de la même intégration Amazon SageMaker AI Skills lorsqu'ils sont utilisés dans Amazon SageMaker AI JupyterLab. ## Qu'est-ce que le protocole ACP (Agent Context Protocol) ? Le protocole ACP (Agent Context Protocol) est un protocole ouvert qui normalise la communication entre les éditeurs de code et les agents de codage de l'IA. Cela signifie que vous pouvez passer d'un assistant de codage à un autre sans avoir à apprendre de nouvelles interfaces ou de nouveaux flux de travail. ## Configuration requise + Compte Amazon SageMaker AI actif avec JupyterLab accès + SageMaker Distribution (SMD) version 4.1 + Pour Kiro : informations d'identification de compte Kiro valides ## Démarrage **Étape 1 : Ouvrez ou créez un SageMaker espace avec JupyterLab ** 1. Accédez à Amazon SageMaker AI Studio 1. Accédez à ** Espaces ** dans le panneau de navigation de gauche ou cliquez sur « Personnaliser avec un agent » dans le hub de modèles 1. Deux options s'offrent à vous : + Cliquez sur ** Créer un espace ** et sélectionnez-le JupyterLab comme application + Ouvrez un espace existant qui comprend JupyterLab **Étape 2 : Commencez à utiliser Kiro dans le panneau de discussion : ** Kiro nécessite une authentification avant de pouvoir l'utiliser comme assistant de codage. Le panneau de discussion vous guidera tout au long du processus d'authentification. 1. Dans JupyterLab, ouvrez le panneau de discussion en cliquant sur l'icône de discussion dans la barre latérale droite 1. Vous pouvez taper @ pour voir les agents disponibles 1. Sélectionnez @Kiro dans la liste déroulante des agents 1. Commencez à poser des questions ou à demander de l'aide en matière de code Notez que la première fois que vous utilisez Kiro dans un espace, il vous sera demandé de vous connecter. Pour vous connecter, suivez les instructions fournies par le chat ou cliquez ici : 1. Dans JupyterLab, ouvrez un nouveau terminal : ** Fichier ** > ** Nouveau ** > ** Terminal ** 1. Exécutez la commande suivante ``` kiro-cli login --use-device-flow ``` Sélectionnez l'une des 3 options de connexion dans le terminal : 1. À utiliser gratuitement avec Builder ID 1. À utiliser gratuitement avec Google ou GitHub 1. Utilisation avec une licence Pro Suivez les instructions et les écrans correspondant à l'option sélectionnée. **Exemples d'invites : ** + « Je souhaite personnaliser un modèle » ## Accès à Amazon SageMaker AI Skills dans Kiro Amazon SageMaker AI Skills est automatiquement disponible lorsque vous utilisez Kiro dans SageMaker JupyterLab. Ces compétences sont chargées depuis le GitHub référentiel AWSlabs et stockées dans les `.agent/skills` dossiers `.kiro/skills` et de votre JupyterLab environnement, ce qui les rend compatibles avec tout agent chargé à partir de ces répertoires. Les compétences peuvent être mises à jour, ce qui vous permet de bénéficier des dernières SageMaker meilleures pratiques et modèles d'API au fur et à mesure de leur évolution. Pour mettre à jour vos compétences, vous pouvez extraire les dernières versions du référentiel AWSlabs. Vous pouvez exécuter la commande suivante pour mettre à jour vos compétences à utiliser avec Kiro : ``` npx skills add https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai/skills --all --agent kiro-cli --copy ``` Pour les autres agents, veuillez consulter le fichier README [ SageMaker AI Skills ](https://github.com/awslabs/agent-plugins/tree/main/plugins/sagemaker-ai) pour plus d'informations. Pour afficher les compétences disponibles dans votre environnement, accédez au `.kiro/skills` dossier dans l'explorateur de JupyterLab fichiers. Dans le cadre des nouvelles versions de SageMaker Distribution (SMD), nous proposons des versions mises à jour des compétences. Nous mettrons automatiquement à jour les compétences tant qu'elles n'auront pas été modifiées ou supprimées par l'utilisateur dans un espace. Si vous mettez à jour ou modifiez manuellement vos compétences, veuillez utiliser les `npx` commandes ci-dessus pour mettre à jour ou réinitialiser vos compétences. ## Configuration d'autres assistants de codage avec JupyterLab l'IA Amazon SageMaker AI JupyterLab prend en charge tous les assistants de codage qui implémentent le protocole ACP (Agent Context Protocol). Parmi les exemples d'assistants qui soutiennent l'ACP, citons : + **Claude ** (via claude-agent-acp) + **OpenCode**(via OpenCode CLI >= 1.0.0) + **Gemini ** (via Gemini CLI >= 0.34.0) + **Codex ** (via codex-acp) Pour utiliser un autre assistant ACP-compatible de codage : 1. Installez l'outil CLI de l'assistant dans votre JupyterLab terminal : Pour Claude : `npm install -g @anthropic-ai/claude-code @agentclientprotocol/claude-agent-acp` Pour Gemini : `npm install -g @google/gemini-cli` Pour OpenCode : `npm install -g opencode-ai` **Note** Les packages npm globaux sont installés en dehors du répertoire personnel (`/home/sagemaker-user`) et ne persistent pas lorsque l'espace redémarre. Pour poursuivre l'installation, utilisez une configuration [ du cycle de vie (LCC) ](https://docs.aws.amazon.com/sagemaker/latest/dg/jl-lcc.html) ou une image [https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-byoi-how-to.html](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-byoi-how-to.html) personnalisée. 1. Redémarrez l'espace en exécutant la commande `restart-jupyter-server` ou en le redémarrant via l'interface utilisateur de Studio. Veuillez noter que cela entraînera la perte de tout travail non enregistré ou de l'état de la mémoire (comme les noyaux actifs). 1. Authentifiez-vous auprès de l'assistant en suivant son processus d'authentification spécifique 1. Sélectionnez l'assistant dans la liste déroulante des personnages du panneau de JupyterLab discussion (par exemple, @Claude, @Gemini, @) OpenCode Veuillez noter que pour Claude Code en particulier, vous pouvez le configurer pour utiliser AWS Bedrock comme backend. Suivez les [ prérequis du guide de code Claude, ](https://code.claude.com/docs/en/amazon-bedrock) en particulier en activant l'accès au modèle Bedrock et en fournissant à votre rôle d'exécution l'accès à `bedrock:InvokeModel` et. `bedrock:InvokeModelWithResponseStream` Créez ensuite le fichier suivant pour configurer Claude Code afin qu'il utilise Bedrock. `~/.claude/settings.json`: ``` { "env": { "CLAUDE_CODE_USE_BEDROCK": "1" } } ``` ## Passer d'un assistant à un autre Vous pouvez passer d'un assistant de codage à un autre à tout moment : 1. Tapez @ pour voir les agents disponibles 1. Sélectionnez votre assistant préféré (par exemple, @Kiro, @Claude, @Gemini) 1. Poursuivez votre conversation avec le nouvel assistant Chaque assistant possède son propre contexte de conversation, ce qui vous permet de passer d'une tâche à l'autre selon vos besoins. ## Basculer entre les profils Kiro Kiro dans Amazon SageMaker AI JupyterLab prend en charge plusieurs profils optimisés pour différents flux de travail et cas d'utilisation. Vous pouvez passer d'un profil à l'autre pour accéder à différents ensembles de fonctionnalités et de comportements adaptés à votre tâche actuelle. Amazon SageMaker AI JupyterLab est fourni avec les profils Kiro suivants : + **sagemaker-ai-default ** : optimisé pour le développement général d'Amazon AI avec accès à Amazon SageMaker AI Skills. SageMaker Il s'agit du profil par défaut lorsque vous commencez à utiliser Kiro dans SageMaker JupyterLab. + **kiro-default ** : profil Kiro standard sans SageMaker-specific personnalisation, fournissant une assistance générale au codage dans tous les langages et frameworks. + **kiro-planner ** : axé sur la planification de projets, la conception de l'architecture et la prise de décisions techniques de haut niveau pour les projets de machine learning. Pour passer d'un profil Kiro à un autre dans JupyterLab : 1. Ouvrez le panneau de discussion Kiro dans JupyterLab 1. Saisissez la commande suivante : ``` @Kiro /agent swap ``` Par exemple : ``` /agent swap kiro-default ``` 1. Kiro confirmera le changement de profil et rechargera avec les fonctionnalités du nouveau profil ## Ressources supplémentaires + [Documentation client Jupyter AI ACP ](https://github.com/jupyter-ai-contrib/jupyter-ai-acp-client) + [Spécification du protocole de contexte de l'agent ](https://acp-protocol.dev/) + [Documentation de Kiro ](https://kiro.dev/docs) + [Documentation Amazon SageMaker AI ](https://docs.aws.amazon.com/sagemaker/latest/dg/)