A integração entre o Kiro IDE e o Amazon SageMaker permite que data scientists e engenheiros de ML usem todo o ecossistema do Kiro (specs, steering files, hooks) enquanto acessam a infraestrutura escalável de ML e analytics da AWS diretamente do ambiente local. Anunciada em março de 2026, a conexão funciona tanto com o SageMaker Unified Studio quanto com o SageMaker Studio.
Na prática, o desenvolvedor permanece no Kiro e acessa compute, dados e serviços do SageMaker como se fossem extensão do ambiente local. Sem alternar entre IDE e console AWS, sem reconfigurar contexto a cada ciclo de teste.
O problema do context switching no desenvolvimento de ML
Engenheiros de machine learning vivem um dilema constante: as ferramentas de desenvolvimento local (IDE, Jupyter, scripts) são diferentes das ferramentas de execução na nuvem (SageMaker, EMR, Athena). A cada ciclo de experimentação, é necessário alternar entre ambientes, reconfigurar credenciais e perder o contexto de trabalho.
Esse context switching tem custo real. Cada troca de contexto interrompe o fluxo cognitivo, exige recontextualização e aumenta a chance de erros de configuração. Para times de data science que iteram dezenas de vezes por dia entre exploração local e execução remota, o impacto acumulado é significativo.
A integração Kiro + SageMaker resolve isso: o desenvolvedor permanece no Kiro com todos os seus steering files, hooks e specs configurados, e acessa a infraestrutura do SageMaker sem sair do IDE.
O que é o Amazon SageMaker e como o Kiro se conecta
O Amazon SageMaker é a plataforma de ML da AWS. Ele existe em duas versões relevantes para esta integração:
SageMaker Unified Studio — a próxima geração do SageMaker, com ambiente unificado para todo o ciclo de ML (exploração de dados, treinamento, deploy). Oferece JupyterLab e Code Editor hospedados na nuvem, com acesso a compute escalável e serviços de analytics.
SageMaker Studio — a versão já estabelecida, com suporte a IDEs remotas incluindo JupyterLab, Code Editor (Code-OSS) e agora Kiro e Cursor como IDEs locais.
A conexão entre Kiro e SageMaker é feita via AWS Toolkit extension, que funciona como ponte de autenticação entre o IDE local e os serviços AWS. A autenticação usa IAM Identity Center, com suporte a chaves de criptografia gerenciadas pelo cliente (CMK).
Como configurar Kiro + SageMaker passo a passo
A documentação da AWS detalha o processo completo. Os passos principais:
1. Pré-requisitos. Ter o Kiro IDE instalado e o AWS Toolkit extension (versão 3.97+) configurado. Ter um domínio do SageMaker Unified Studio ou SageMaker Studio com projetos e Spaces criados.
2. Autenticação. No Kiro, abra o painel do AWS Toolkit e navegue até a seção Amazon SageMaker. Escolha “Sign in” e autentique via IAM Credentials ou IAM Identity Center, usando o mesmo perfil IAM que acessa o SageMaker no console.
3. Conectar ao Space. Selecione a região, o domínio e o projeto. Sob “Compute > Spaces”, passe o mouse sobre o Space desejado e clique em Connect. O Kiro estabelece uma conexão remota e todos os arquivos do projeto ficam disponíveis no workspace local.
4. Alternativa: “Open in Kiro”. Dentro do JupyterLab do SageMaker Unified Studio, existe um botão “Open in Kiro” no canto superior direito. Um clique abre o Space diretamente no Kiro, sem configuração manual.
Observação sobre instâncias: o Space precisa ter no mínimo 8 GB de RAM. Instâncias como ml.t3.medium, ml.c7i.large e ml.c5.large não são suportadas.
Após a conexão, seu setup completo do Kiro (specs, steering files, hooks) funciona sobre os recursos do SageMaker. A AWS recomenda vincular o arquivo de contexto smus-context.md ao AGENTS.md do projeto para que o agente entenda o ambiente do SageMaker.
Serviços AWS acessíveis pelo Kiro com SageMaker
Com a conexão ativa, o Kiro acessa os seguintes serviços da AWS como se fossem locais:
Amazon EMR — processamento de grandes volumes de dados com Apache Spark. Execute jobs EMR diretamente do Kiro sem alternar para o console.
AWS Glue — ETL serverless para preparação de dados. Configure e execute pipelines de transformação diretamente do IDE.
Amazon Athena — queries SQL sobre dados no S3. Execute consultas analíticas e veja resultados no Kiro.
Amazon SageMaker ML — treinamento, tuning e deploy de modelos de ML com compute escalável, acessível via Kiro com os mesmos steering files e hooks do projeto.
Casos de uso: Kiro + SageMaker na prática
Data scientist: exploração com spec-driven development
O data scientist usa o Kiro para documentar hipóteses como requirements, metodologia como design e experimentos como tasks, tudo no fluxo de spec-driven development. Quando precisa escalar o processamento, conecta ao SageMaker e executa o mesmo código com compute adequado, sem reconfiguração.
ML engineer: padronização de pipelines
O engenheiro de ML configura steering files com padrões de MLOps do time: nomenclatura de experimentos, logging de métricas, estrutura de artifacts. O Kiro aplica esses padrões automaticamente em todo código de pipeline gerado, garantindo consistência entre experimentos e facilitando reprodutibilidade.
MLOps: automação de deploy com hooks
O engenheiro de MLOps configura hooks para automatizar etapas do pipeline: quando um arquivo de modelo é salvo, um hook verifica métricas de performance antes de registrar no Model Registry; quando o registro é feito, outro hook prepara o script de deploy para o SageMaker.
Perguntas frequentes sobre Kiro + SageMaker
A integração tem custo adicional?
Não há taxa de integração. Os custos são os normais do Kiro (plano escolhido) e do SageMaker (compute e serviços utilizados). A conexão em si é gratuita.
Posso usar o Kiro CLI com o SageMaker?
Sim. A integração é feita via AWS Toolkit, que funciona tanto no Kiro IDE quanto no CLI. Desenvolvedores que preferem terminal acessam os recursos do SageMaker da mesma forma.
Funciona com projetos que não são de ML?
A integração é focada em workloads de analytics e ML que se beneficiam da infraestrutura do SageMaker. Para desenvolvimento de software geral, o Kiro funciona normalmente sem necessidade de integração com SageMaker.
Qual a diferença entre SageMaker Unified Studio e SageMaker Studio neste contexto?
Ambos suportam conexão remota com o Kiro via AWS Toolkit. O SageMaker Unified Studio é a versão mais recente, com ambiente unificado para analytics e ML. O SageMaker Studio é a versão já estabelecida. A experiência de uso no Kiro é similar em ambos.
A sessão remota expira?
Sessões iniciadas via botão “Open in Kiro” duram até 12 horas se não forem interrompidas. Se a conexão cair, é necessário reconectar via AWS Toolkit ou via botão “Open in Kiro” no SageMaker.
