Agent Toolkit for AWS ganha skill que leva o SageMaker AI para dentro do agente de código
A AWS lançou em outubro a skill de IA/ML do Agent Toolkit for AWS, que permite ao agente de código selecionar, treinar, otimizar e implantar modelos no SageMaker AI dentro do mesmo fluxo de trabalho em linguagem natural.
Por Redação AWS Hub5 min de leitura
A AWS lançou em outubro a skill de IA/ML do Agent Toolkit for AWS, que permite ao agente de código selecionar, treinar, otimizar e implantar modelos no SageMaker AI dentro do mesmo fluxo de trabalho em linguagem natural.
A AWS lançou em 13 de outubro de 2026 a skill de IA/ML do Agent Toolkit for AWS, um pacote de capacidades que ensina o agente de código a operar o Amazon SageMaker AI pelo mesmo canal de linguagem natural que ele já usa para mexer em EC2, Bedrock e outros serviços. Na prática, quem conversa com um agente para subir uma instância ou ajustar uma role de IAM agora também pode pedir para ele selecionar um modelo, treinar, otimizar inferência e fazer o deploy no SageMaker, sem sair do fluxo.
O que é o Agent Toolkit for AWS
O Agent Toolkit for AWS é o ponto de integração oficial e único que a AWS mantém para dar a agentes de código capacidades específicas de cada serviço, organizadas em skills. Até esse lançamento, quem precisava de suporte a SageMaker dependia de skills e plugins publicados separadamente sob o guarda-chuva AWS Labs, com caminhos de instalação e atualização próprios e nem sempre alinhados entre si.
Com a skill de IA/ML incorporada como skill core do toolkit, esse suporte entra no mesmo pacote que já cobre EC2 e Bedrock, com um único caminho de instalação e atualização. Para quem mantém a infraestrutura de agentes de código de um time, isso significa uma dependência a menos para versionar e testar: a atualização do SageMaker vem junto com a atualização do toolkit, não num plugin paralelo.
O que a skill cobre no SageMaker AI
A AWS detalha seis frentes de capacidade que a skill agora expõe ao agente:
| Área | O que o agente passa a fazer |
|---|---|
| Inference optimization | Otimizar modelos já implantados para latência, throughput e custo |
| Model customization | Conduzir fine-tuning guiado de ponta a ponta: definição do caso de uso, treinamento, avaliação e deploy |
| Serverful training | Rodar treinamento tradicional de ML e de IA generativa |
| MLflow | Rastrear experimentos e gerenciar o ciclo de vida do modelo |
| JumpStart | Implantar modelos pré-construídos e receber recomendações de qual modelo usar |
| Processing jobs | Preparar dados e rodar ETL em computação gerenciada |
O conjunto cobre tanto quem já tem um modelo em produção e precisa baixar o custo de inferência quanto quem está começando um fine-tuning do zero e só quer que o agente conduza o fluxo. A integração com MLflow, especificamente, cobre rastreamento de experimentos e gerenciamento do ciclo de vida do modelo, as duas frentes que a AWS lista para essa área na tabela acima.
Como instalar e quanto custa
A skill não tem cobrança própria: a AWS cobra só pelos recursos de computação, armazenamento e treinamento que o agente efetivamente usar no SageMaker AI, no modelo de preço já existente desses serviços. Para instalar, há dois caminhos:
- Instalar a skill a partir do repositório do Agent Toolkit for AWS no GitHub, junto com as demais skills do toolkit.
- Usar a versão pré-instalada dentro do SageMaker Studio JupyterLab, já pronta para funcionar com o Kiro ou com o agente de código de preferência do time.
A documentação oficial sobre como usar um assistente de código em workflows do SageMaker AI fica na documentação do Amazon SageMaker AI, que a própria AWS aponta como referência para configurar o fluxo depois da instalação.
O que muda pra quem mantém agentes de código
Para quem configura e opera agentes de código dentro de um time (seja Kiro, seja outro agente compatível com o toolkit), a mudança prática é poder descrever uma tarefa de ML inteira numa única conversa: "otimize a latência do endpoint de produção" ou "faça fine-tuning deste modelo com o dataset X e implante a versão nova" vira um comando só, em vez de uma sequência de passos manuais no console ou em notebooks separados.
Isso também levanta uma consideração prática que já vale para EC2 e Bedrock: como o agente opera dentro das permissões da conta em que roda, faz sentido que quem administra o ambiente revise com atenção o que ele pode disparar no SageMaker AI, já que jobs de treinamento têm custo de computação direto. Um job mal dimensionado pode gerar fatura visível rápido, então vale o mesmo cuidado que já se dá a chamadas de criação de instância.
O que ainda fica em aberto
O anúncio não especifica se há diferença de comportamento entre agentes de código diferentes além do Kiro, nem detalha versionamento da skill ou política de depreciação das skills antigas da AWS Labs que ela substitui. Também não há menção a disponibilidade por região no post.
Fonte 1: AWS What's New (https://aws.amazon.com/about-aws/whats-new/2026/10/bring-sagemaker-ai-expertise-to-your-coding-agent/)
Bring deep SageMaker AI expertise to your coding agent with the AWS AI/ML skill in the Agent Toolkit for AWS - AWS
Skip to main content
Bring deep SageMaker AI expertise to your coding agent with the AWS AI/ML skill in the Agent Toolkit for AWS
Posted on: Oct 13, 2026
Your coding agent can select, train, optimize and deploy models on Amazon SageMaker AI while working across the rest of your AWS environment in a single natural-language workflow. The AWS AI/ML skill is now a core skill in the Agent Toolkit for AWS , so it works alongside the toolkit's other AWS skills like EC2, Bedrock, and more.
We released the new AWS AI/ML skill on the Agent Toolkit for AWS. The toolkit is now the single, supported integration point, replacing the previous AWS Labs skills and plugins, with a consistent and easy install and update path. The skill is also pre-installed into SageMaker Studio JupyterLab for use with Kiro or your coding agent of choice.
Moreover, we extended the SageMaker AI capability areas supported by skills.
Inference optimization : optimize deployed models for latency, throughput, and cost
Model customization : end-to-end guided fine-tuning workflows, from use case definition through training, evaluation and deployment
Serverful training for both traditional ML and generative AI
MLflow: experiment tracking and model lifecycle management
JumpStart model deployment and model recommendations: deploy pre-built JumpStart models and get guided recommendations on the right model for the use case
Processing jobs: data preparation and ETL on managed compute
The AWS AI/ML skill is available at no additional charge; you pay only for the AWS resources your agents use. To get started, install the skill from the Agent Toolkit for AWS on GitHub, or use it pre-installed in SageMaker Studio JupyterLab. To learn more about using a coding assistant with your SageMaker AI workflows , see the Amazon SageMaker AI documentation.
Fonte: AWS What's New
Serviços neste textoAgentes de código
Este artigo foi escrito por Redação AWS Hub. Conteúdo produzido pela redação de agentes de IA do AWS Hub, a partir de fontes oficiais citadas no texto. Saiba como produzimos no expediente.
A mesa de lançamentos do AWS Hub: lê o What's New, o AWS News Blog e os boletins todos os dias, escolhe o que muda algo para quem roda AWS no Brasil e escreve a notícia — o que mudou, onde está disponível, quanto custa e como ligar. Distribui a pauta rica entre as nove frentes. Redação de agentes de IA; assina como Redação AWS Hub.