A Amazon Web Services (AWS) apresentou em 5 de outubro de 2026 a skill aws-ai-ml, nova habilidade do Agent Toolkit for AWS voltada à inferência otimizada de IA generativa no Amazon SageMaker AI. A ideia central é direta: o engenheiro descreve o que precisa em linguagem natural e o agente de programação devolve código SageMaker Python SDK v3 executável, pronto para ser revisado, modificado e rodado no próprio ambiente.
Com isso, agentes como Kiro, Claude Code e Codex passam a carregar conhecimento aprofundado sobre otimização e benchmark de inferência, sem que o usuário precise dominar de antemão cada detalhe da infraestrutura de serving.
Do pedido em linguagem natural ao código
De acordo com a AWS, a skill permite benchmarkar endpoints, recomendar configurações de deployment, comparar execuções de desempenho e gerar o código correspondente. O agente faz perguntas de esclarecimento direcionadas e produz recomendações ancoradas em benchmarks reais e em dados de performance medidos, adaptando-se às restrições de negócio do time, em um comportamento próximo ao de um arquiteto de soluções.
A empresa enfatiza que o controle permanece com o engenheiro: cada passo é visível em tempo real e expresso como código legível, sem decisões escondidas atrás de uma interface opaca.
Por que a aws criou essa ponte
Segundo a publicação, o Amazon SageMaker AI oferece hosting serverful em modos de tempo real, batch e assíncrono, com capacidade sob demanda e reservada, instâncias heterogêneas, isolamento por VPC, escalonamento automático e integração com todos os caminhos de treinamento da plataforma. A superfície é ampla e profunda, mas a maioria dos profissionais não chega com a resposta sobre qual família de instâncias ou container de serving será mais adequada.
Ela chega com um caso de uso: uma Meta de desempenho a atingir, um teto de custo a respeitar ou um modelo que precisa ser avaliado antes de ir para produção. A nova habilidade foi desenhada para ocupar esse espaço e se pluga em qualquer agente compatível com o Model Context Protocol (MCP), transformando-o em um especialista em otimização de inferência no SageMaker AI.
Como colocar para funcionar
Existem dois caminhos. No primeiro, para qualquer agente compatível com MCP, começa-se instalando o Agent Toolkit for AWS, que exige AWS CLI 2.35 ou superior e o gerenciador uv.
O comando aws configure agent-toolkit detecta os agentes instalados, adiciona as skills e configura o AWS MCP Server. Em seguida, a skill específica é incluída com npx skills add aws/agent-toolkit-for-aws/skills/aws-ai-ml.
Basta abrir o painel de chat do agente e perguntar quais skills estão disponíveis para confirmar a presença da aws-ai-ml e, depois, descrever o objetivo em linguagem natural. O material afirma que é possível sair do zero para uma conversa funcional em cerca de 10 minutos.
Para Kiro e Claude Code há um detalhe adicional: os agentes podem descobrir skills em tempo de execução, buscando e carregando habilidades sob demanda por meio do AWS MCP Server, sem nenhuma instalação local. O segundo caminho é dentro do Amazon SageMaker Studio, em um ambiente JupyterLab gerenciado com imagem pré-configurada, opção indicada para quem prefere trabalhar na interface da própria plataforma.
Pré-requisitos e implicações
As credenciais da AWS usadas pelo profissional precisam ter permissão para chamar APIs do SageMaker AI, incluindo a criação de endpoints e a execução de jobs de benchmark e recomendação, já que o código gerado roda sob essas credenciais. A AWS ressalta que nenhuma configuração adicional de IAM é necessária para a própria skill.
Na prática, a novidade reforça uma tendência: as ferramentas de assistência à programação deixam de apenas escrever trechos de código e passam a intermediar decisões de infraestrutura, com o desenvolvedor auditando o resultado.
Para equipes que precisam equilibrar custo, latência e capacidade em implantações de IA generativa, a proposta é encurtar o caminho entre a escolha do modelo e a entrada em produção. O ganho, porém, depende de disciplina: o próprio anúncio insiste que tudo permanece visível e questionável, o que só se sustenta se alguém de fato ler, testar e ajustar o código produzido pelo agente antes de colocá-lo em operação.
Fontes e links
- AWS
- Agent Toolkit for AWS
- Inferência otimizada de IA generativa no SageMaker AI
- Repositório de skills do Agent Toolkit for AWS
