Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAPI / Produit · Prêt à l'emploiAWS Machine Learning Blog→ original

Kimi Code CLI se connecte à Amazon Bedrock sans clé API dédiée

Jusqu'ici, Kimi Code CLI se connectait à Amazon Bedrock via une clé API dédiée, qu'il fallait générer puis mettre à l'abri. La version 2.7.0 introduit un fournisseur bedrock : il s'appuie sur les profils AWS et le SSO habituels, et crée lui-même un jeton temporaire valable jusqu'à 12 heures. L'exemple d'AWS utilise le modèle Kimi K3.1 Pro Highspeed, avec une fenêtre de contexte de 1 million de tokens. Pour les équipes qui travaillent sur AWS, cela fait un secret de moins dans les configurations.

Traité par IA depuis AWS Machine Learning Blog ; édité par Hamidun News
Kimi Code CLI se connecte à Amazon Bedrock sans clé API dédiée
Source : AWS Machine Learning Blog. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireAWS Machine Learning Blog ↗
Rédacteur en chef
La région doit être définie explicitementAWS_REGION dans config.toml ou dans le shell
Chiffre clé #2Le profil d'inférence global coûte 10 % de moins que les profils géographiques
Chiffre clé #3Le statut « connected » dans l'application ne vérifie pas l'accès : lancez un prompt de test

Si votre entreprise vit dans AWS, chaque nouvel outil pour développeurs se heurte à la même question : où trouver une clé de plus, et qui en répond ? Kimi Code CLI, l'agent de code open source de Moonshot AI, imposait précisément cette condition pour travailler avec les modèles d'Amazon Bedrock. La version 2.7.0 la supprime.

Ce qui change dans la version 2.7.0

Jusqu'ici, la connexion passait par un fournisseur générique de type openai ou openai_responses. Il fallait indiquer un base_url régional et coller une clé API Bedrock. Cette clé pouvait être de courte ou de longue durée, mais dans tous les cas il s'agissait d'un secret à part : à obtenir, à stocker quelque part et à révoquer à temps.

La CLI dispose désormais d'un fournisseur bedrock natif. Il utilise la chaîne standard d'identifiants AWS : variables d'environnement, profils nommés, SSO via IAM Identity Center. Le profil se choisit avec la variable AWS_PROFILE. Si vous n'avez pas défini de clé manuellement, le fournisseur génère lui-même un jeton de courte durée via la bibliothèque @aws/bedrock-token-generator et le renouvelle au besoin. Ce jeton reste valable jusqu'à 12 heures ou jusqu'à la fin de votre session AWS, selon la durée la plus courte. Si vous indiquez explicitement api_key ou api_key_env, votre clé est prioritaire.

AWS rappelle par ailleurs que cette voie réduit la dépendance aux clés créées à la main, mais que la protection des identifiants et la rigueur des permissions restent à la charge de l'utilisateur.

Comment le configurer

L'exemple d'AWS utilise Kimi K3.1 Pro Highspeed. Le modèle prend en charge le streaming, le raisonnement paramétrable, les images en entrée et l'appel d'outils côté client. La procédure est la suivante.

Vérifiez d'abord que l'AWS CLI voit la bonne identité : pour le SSO, il s'agit de aws configure sso et aws sso login ; pour les identifiants de la console, il faut aws login (AWS CLI 2.32.0 et versions ultérieures) ; la vérification se fait avec la commande aws sts get-caller-identity.

Modifiez ensuite ~/.kimi-code/config.toml. Créez un fournisseur avec type = "bedrock", puis définissez AWS_REGION dans sa section env et, si nécessaire, AWS_PROFILE. Décrivez le modèle avec l'identifiant global.moonshotai.kimi-k3.1, un contexte de 1 000 000 de tokens et la liste de capacités : always_thinking, thinking, image_in, tool_use.

L'utilisateur IAM doit disposer des droits bedrock:CallWithBearerToken (uniquement pour les jetons de courte durée), de la lecture du profil d'inférence et de l'appel du modèle via InvokeModel et InvokeModelWithResponseStream. AWS conseille d'attribuer un rôle dédié à cet outil seul et de respecter le principe du moindre privilège. Les droits sur le projet default ne sont requis qu'avec le protocole openai_responses.

Il vaut mieux tester l'ensemble avec une requête unique : kimi --model bedrock-kimi-k3-1 --prompt "…". Si la réponse arrive en flux, l'authentification, les droits, la région et l'accès au modèle fonctionnent.

Les pièges à éviter

Premier piège : la région. Le fournisseur ne la lit pas dans ~/.aws/config ; il faut donc renseigner AWS_REGION ou AWS_DEFAULT_REGION dans config.toml ou dans l'environnement. Avec un profil préfixé par global., us. ou in., c'est cette région qui sert de point de départ aux requêtes.

Deuxième piège : les capacités du modèle ne sont pas détectées automatiquement. Si vous ne déclarez pas image_in ou tool_use, l'agent ne les utilisera pas. Ne déclarez que ce que le modèle et le endpoint concerné prennent réellement en charge. AWS recommande de tester séparément les outils et les images sur vos propres tâches, plutôt que de se fier aux seules étiquettes.

Troisième piège : l'interface. Les applications de bureau et web de Kimi Code n'affichent pas encore tous les champs d'environnement pour ce type de fournisseur ; la configuration se fait donc directement dans le fichier. Le statut « connected » dans la liste des fournisseurs ne dit rien des droits, de la région ni du réseau : le vrai test reste la requête d'essai.

Quatrième piège : si vous avez besoin d'un endpoint VPC ou de Mantle, la détection automatique du protocole et de l'adresse ne fonctionnera pas. Dans ce cas, il faut définir dans le modèle le protocol (openai, openai_responses ou anthropic) et le base_url avec le chemin voulu, par exemple /openai/v1.

Coûts et hygiène de configuration

Bedrock facture l'inférence au token et n'impose aucune infrastructure permanente : après les essais, il n'y a rien à supprimer, hormis les droits IAM et les profils de test. Gardez en tête que supprimer la configuration locale ne révoque pas la session active. Pour les tâches sans exigence de localisation des données, AWS conseille de commencer par le profil d'inférence global : il coûte 10 % de moins que les profils géographiques.

En pratique : si vous disposez déjà du SSO et d'une rotation des sessions, vous pouvez désormais connecter Kimi Code à Bedrock sans nouveau secret. Cela simplifie l'audit et règle la question de l'emplacement de la clé. Pour autant, il ne faut toujours pas accorder de droits étendus à cet agent : il exécute des commandes dans votre projet, et chaque modification de fichier ainsi que chaque commande shell doivent être relues avant validation.

Dossier

Questions clés sur cet article

Que sait-on sur Ce qui change dans la version 2.7.0 ?

Jusqu'ici, la connexion passait par un fournisseur générique de type openai ou openai_responses. Il fallait indiquer un base_url régional et coller une clé API Bedrock. Cette clé pouvait être de courte ou de longue durée, mais dans tous les cas il s'agissait d'un secret à part : à obtenir, à stocker quelque part et à révoquer à temps. La CLI dispose désormais d'un fournisseur bedrock natif. Il utilise la chaîne standard d'identifiants AWS : variables d'environnement, profils nommés, SSO via IAM Identity Center.

Comment le configurer?

L'exemple d'AWS utilise Kimi K3.1 Pro Highspeed. Le modèle prend en charge le streaming, le raisonnement paramétrable, les images en entrée et l'appel d'outils côté client. La procédure est la suivante. Vérifiez d'abord que l'AWS CLI voit la bonne identité : pour le SSO, il s'agit de aws configure sso et aws sso login ; pour les identifiants de la console, il faut aws login (AWS CLI 2.32.0 et versions ultérieures) ; la vérification se fait avec la commande aws sts get-caller-identity.

Que sait-on sur Les pièges à éviter ?

Premier piège : la région. Le fournisseur ne la lit pas dans ~/.aws/config ; il faut donc renseigner AWS_REGION ou AWS_DEFAULT_REGION dans config.toml ou dans l'environnement. Avec un profil préfixé par global., us. ou in., c'est cette région qui sert de point de départ aux requêtes. Deuxième piège : les capacités du modèle ne sont pas détectées automatiquement. Si vous ne déclarez pas image_in ou tool_use, l'agent ne les utilisera pas.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…