{"id":22977,"date":"2026-04-29T10:00:00","date_gmt":"2026-04-29T13:00:00","guid":{"rendered":"https:\/\/uds.com.br\/blog\/?p=22977"},"modified":"2026-04-07T17:25:14","modified_gmt":"2026-04-07T20:25:14","slug":"kiro-amazon-sagemaker","status":"publish","type":"post","link":"https:\/\/uds.com.br\/blog\/kiro-amazon-sagemaker\/","title":{"rendered":"Kiro + Amazon SageMaker: como conectar seu IDE de IA \u00e0 infraestrutura de ML da AWS"},"content":{"rendered":"\n

A integra\u00e7\u00e3o 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 escal\u00e1vel de ML e analytics da AWS diretamente do ambiente local. Anunciada em mar\u00e7o de 2026, a conex\u00e3o funciona tanto com o SageMaker Unified Studio<\/a> quanto com o SageMaker Studio<\/a>.<\/p>\n\n\n\n

Na pr\u00e1tica, o desenvolvedor permanece no Kiro e acessa compute, dados e servi\u00e7os do SageMaker como se fossem extens\u00e3o do ambiente local. Sem alternar entre IDE e console AWS, sem reconfigurar contexto a cada ciclo de teste.<\/p>\n\n\n\n

O problema do context switching no desenvolvimento de ML<\/strong><\/h2>\n\n\n\n

Engenheiros de machine learning vivem um dilema constante: as ferramentas de desenvolvimento local (IDE, Jupyter, scripts) s\u00e3o diferentes das ferramentas de execu\u00e7\u00e3o na nuvem (SageMaker, EMR, Athena). A cada ciclo de experimenta\u00e7\u00e3o, \u00e9 necess\u00e1rio alternar entre ambientes, reconfigurar credenciais e perder o contexto de trabalho.<\/p>\n\n\n\n

Esse context switching tem custo real. Cada troca de contexto interrompe o fluxo cognitivo, exige recontextualiza\u00e7\u00e3o e aumenta a chance de erros de configura\u00e7\u00e3o. Para times de data science que iteram dezenas de vezes por dia entre explora\u00e7\u00e3o local e execu\u00e7\u00e3o remota, o impacto acumulado \u00e9 significativo.<\/p>\n\n\n\n

A integra\u00e7\u00e3o 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.<\/p>\n\n\n\n

O que \u00e9 o Amazon SageMaker e como o Kiro se conecta<\/strong><\/h2>\n\n\n\n

O Amazon SageMaker \u00e9 a plataforma de ML da AWS. Ele existe em duas vers\u00f5es relevantes para esta integra\u00e7\u00e3o:<\/p>\n\n\n\n

SageMaker Unified Studio<\/strong> \u2014 a pr\u00f3xima gera\u00e7\u00e3o do SageMaker, com ambiente unificado para todo o ciclo de ML (explora\u00e7\u00e3o de dados, treinamento, deploy). Oferece JupyterLab e Code Editor hospedados na nuvem, com acesso a compute escal\u00e1vel e servi\u00e7os de analytics.<\/p>\n\n\n\n

SageMaker Studio<\/strong> \u2014 a vers\u00e3o j\u00e1 estabelecida, com suporte a IDEs remotas incluindo JupyterLab, Code Editor (Code-OSS) e agora Kiro e Cursor como IDEs locais.<\/p>\n\n\n\n

A conex\u00e3o entre Kiro e SageMaker \u00e9 feita via AWS Toolkit extension<\/strong>, que funciona como ponte de autentica\u00e7\u00e3o entre o IDE local e os servi\u00e7os AWS. A autentica\u00e7\u00e3o usa IAM Identity Center, com suporte a chaves de criptografia gerenciadas pelo cliente (CMK).<\/p>\n\n\n\n

Como configurar Kiro + SageMaker passo a passo<\/strong><\/h2>\n\n\n\n

A documenta\u00e7\u00e3o da AWS<\/a> detalha o processo completo. Os passos principais:<\/p>\n\n\n\n

1. Pr\u00e9-requisitos.<\/strong> Ter o Kiro IDE instalado e o AWS Toolkit extension (vers\u00e3o 3.97+) configurado. Ter um dom\u00ednio do SageMaker Unified Studio ou SageMaker Studio com projetos e Spaces criados.<\/p>\n\n\n\n

2. Autentica\u00e7\u00e3o.<\/strong> No Kiro, abra o painel do AWS Toolkit e navegue at\u00e9 a se\u00e7\u00e3o 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.<\/p>\n\n\n\n

3. Conectar ao Space.<\/strong> Selecione a regi\u00e3o, o dom\u00ednio e o projeto. Sob “Compute > Spaces”, passe o mouse sobre o Space desejado e clique em Connect<\/strong>. O Kiro estabelece uma conex\u00e3o remota e todos os arquivos do projeto ficam dispon\u00edveis no workspace local.<\/p>\n\n\n\n

4. Alternativa: “Open in Kiro”.<\/strong> Dentro do JupyterLab do SageMaker Unified Studio, existe um bot\u00e3o “Open in Kiro” no canto superior direito. Um clique abre o Space diretamente no Kiro, sem configura\u00e7\u00e3o manual.<\/p>\n\n\n\n

Observa\u00e7\u00e3o sobre inst\u00e2ncias:<\/strong> o Space precisa ter no m\u00ednimo 8 GB de RAM. Inst\u00e2ncias como ml.t3.medium, ml.c7i.large e ml.c5.large n\u00e3o s\u00e3o suportadas.<\/p>\n\n\n\n

Ap\u00f3s a conex\u00e3o, 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<\/code> ao AGENTS.md<\/code> do projeto para que o agente entenda o ambiente do SageMaker.<\/p>\n\n\n\n

Servi\u00e7os AWS acess\u00edveis pelo Kiro com SageMaker<\/strong><\/h2>\n\n\n\n

Com a conex\u00e3o ativa, o Kiro acessa os seguintes servi\u00e7os da AWS como se fossem locais:<\/p>\n\n\n\n

Amazon EMR<\/strong> \u2014 processamento de grandes volumes de dados com Apache Spark. Execute jobs EMR diretamente do Kiro sem alternar para o console.<\/p>\n\n\n\n

AWS Glue<\/strong> \u2014 ETL serverless para prepara\u00e7\u00e3o de dados. Configure e execute pipelines de transforma\u00e7\u00e3o diretamente do IDE.<\/p>\n\n\n\n

Amazon Athena<\/strong> \u2014 queries SQL sobre dados no S3. Execute consultas anal\u00edticas e veja resultados no Kiro.<\/p>\n\n\n\n

Amazon SageMaker ML<\/strong> \u2014 treinamento, tuning e deploy de modelos de ML com compute escal\u00e1vel, acess\u00edvel via Kiro com os mesmos steering files e hooks do projeto.<\/p>\n\n\n\n

Casos de uso: Kiro + SageMaker na pr\u00e1tica<\/strong><\/h2>\n\n\n\n

Data scientist: explora\u00e7\u00e3o com spec-driven development<\/strong><\/h3>\n\n\n\n

O data scientist usa o Kiro para documentar hip\u00f3teses como requirements, metodologia como design e experimentos como tasks, tudo no fluxo de spec-driven development<\/a>. Quando precisa escalar o processamento, conecta ao SageMaker e executa o mesmo c\u00f3digo com compute adequado, sem reconfigura\u00e7\u00e3o.<\/p>\n\n\n\n

ML engineer: padroniza\u00e7\u00e3o de pipelines<\/strong><\/h3>\n\n\n\n

O engenheiro de ML configura steering files<\/a> com padr\u00f5es de MLOps do time: nomenclatura de experimentos, logging de m\u00e9tricas, estrutura de artifacts. O Kiro aplica esses padr\u00f5es automaticamente em todo c\u00f3digo de pipeline gerado, garantindo consist\u00eancia entre experimentos e facilitando reprodutibilidade.<\/p>\n\n\n\n

MLOps: automa\u00e7\u00e3o de deploy com hooks<\/strong><\/h3>\n\n\n\n

O engenheiro de MLOps configura hooks<\/a> para automatizar etapas do pipeline: quando um arquivo de modelo \u00e9 salvo, um hook verifica m\u00e9tricas de performance antes de registrar no Model Registry; quando o registro \u00e9 feito, outro hook prepara o script de deploy para o SageMaker.<\/p>\n\n\n\n

<\/div>\n\n\n\n\n\n