Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAPI / Produto · Pronto p/ usoAWS Machine Learning Blog→ original

Kimi Code CLI agora funciona com Amazon Bedrock sem uma chave de API separada

Antes, o Kimi Code CLI se conectava ao Amazon Bedrock por meio de uma chave de API separada, que era preciso emitir e guardar com cuidado. A versão 2.7.0 traz o provedor bedrock: ele usa perfis AWS e SSO comuns e gera sozinho um token temporário com validade de até 12 horas. No exemplo da AWS, funciona o modelo Kimi K3.1 Pro Highspeed, com janela de 1 milhão de tokens. Para equipes que já estão na AWS, isso significa um segredo a menos nos arquivos de configuração.

Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
Kimi Code CLI agora funciona com Amazon Bedrock sem uma chave de API separada
Fonte: AWS Machine Learning Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalAWS Machine Learning Blog ↗
Editor-chefe
Dado-chave #1A região precisa ser definida explicitamente: AWS_REGION no config.toml ou no shell
Dado-chave #2O perfil de inferência global é 10% mais barato que os geográficos
Dado-chave #3O status «connected» no aplicativo não verifica o acesso — rode um prompt de teste

Se a sua empresa vive na AWS, toda nova ferramenta para desenvolvedores esbarra na mesma pergunta: onde conseguir mais uma chave e quem responde por ela. O Kimi Code CLI, agente de programação de código aberto da Moonshot AI, impunha justamente essa condição ao trabalhar com modelos no Amazon Bedrock. Na versão 2.7.0, a exigência deixou de existir.

O que mudou na versão 2.7.0

Antes, a conexão passava por um provedor genérico do tipo openai ou openai_responses. Era preciso informar um base_url regional e colar a chave de API do Bedrock. A chave podia ser de curta ou de longa duração, mas em qualquer caso era um segredo à parte: era preciso obtê-lo, armazená-lo em algum lugar e revogá-lo a tempo.

Agora, a CLI tem um provedor nativo bedrock. Ele usa a cadeia padrão de credenciais da AWS: variáveis de ambiente, perfis nomeados e SSO via IAM Identity Center. O perfil pode ser escolhido pela variável AWS_PROFILE. Se você não definir uma chave manualmente, o provedor gera por conta própria um token de curta duração pela biblioteca @aws/bedrock-token-generator e o renova conforme a necessidade. Esse token vale por até 12 horas ou até o fim da sua sessão AWS, o que ocorrer primeiro. Se você informar explicitamente api_key ou api_key_env, a sua chave terá prioridade.

A AWS faz uma ressalva: esse caminho reduz a dependência de chaves criadas manualmente, mas a responsabilidade por proteger as credenciais e manter permissões enxutas continua com você.

Como configurar

O exemplo da AWS usa o Kimi K3.1 Pro Highspeed. O modelo oferece saída em streaming, raciocínio configurável, imagens como entrada e chamada de ferramentas no lado do cliente. O passo a passo é este.

Primeiro, verifique se o AWS CLI enxerga a identidade correta: para SSO, use aws configure sso e aws sso login; para credenciais de console, é preciso aws login (AWS CLI 2.32.0 ou mais recente); e a checagem é feita com o comando aws sts get-caller-identity.

Depois, edite o ~/.kimi-code/config.toml. Crie o provedor com type = "bedrock" e, na seção env dele, defina AWS_REGION e, se necessário, AWS_PROFILE. Descreva o modelo com o identificador global.moonshotai.kimi-k3.1, contexto de 1 000 000 de tokens e a lista de capacidades: always_thinking, thinking, image_in, tool_use.

O usuário IAM precisa de permissão para bedrock:CallWithBearerToken (somente para tokens de curta duração), leitura do perfil de inferência e invocação do modelo via InvokeModel e InvokeModelWithResponseStream. A AWS recomenda criar uma role exclusiva para essa ferramenta e seguir o princípio do menor privilégio. Permissões no projeto default só são necessárias com o protocolo openai_responses.

O melhor jeito de testar a configuração é uma requisição avulsa: kimi --model bedrock-kimi-k3-1 --prompt "…". Se a resposta chegar em streaming, autorização, permissões, região e acesso ao modelo estão funcionando.

Armadilhas

Primeiro, a região. O provedor não a lê do ~/.aws/config, então AWS_REGION ou AWS_DEFAULT_REGION precisam ser definidas no config.toml ou no ambiente. Ao usar um perfil com prefixo global., us. ou in., é essa região que passa a ser a origem das requisições.

Segundo, as capacidades do modelo não são detectadas automaticamente. Se image_in ou tool_use não forem declarados, o agente não vai usá-los. Só se deve indicar o que o modelo e o endpoint específico realmente suportam. A AWS recomenda testar separadamente o funcionamento de ferramentas e imagens nas suas próprias tarefas, em vez de confiar apenas nos rótulos.

Terceiro, a interface. Os aplicativos desktop e web do Kimi Code ainda não exibem todos os campos de ambiente desse provedor, então a configuração precisa ser feita diretamente no arquivo. O status «connected» na lista de provedores não diz nada sobre permissões, região e rede, de modo que o teste de verdade continua sendo uma requisição de prova.

Quarto, se você precisa de um endpoint VPC ou do Mantle, a detecção automática de protocolo e endereço não funciona. Nesse caso, defina no modelo o protocol (openai, openai_responses ou anthropic) e o base_url com o caminho adequado, como /openai/v1.

E os custos e a organização?

O Bedrock cobra a inferência por token e não há infraestrutura permanente, então, depois dos experimentos, não sobra nada para remover além das permissões IAM e dos perfis de teste. Lembre-se de que apagar a configuração local não revoga uma sessão ativa. Para tarefas sem requisitos de localização dos dados, a AWS aconselha começar pelo perfil de inferência global, que é 10% mais barato que os geográficos.

Na prática: se você já tem SSO e rotação de sessões, agora é possível conectar o Kimi Code ao Bedrock sem um novo segredo. Isso simplifica a auditoria e elimina a dúvida sobre onde a chave está guardada. Mas continua sem ser recomendável dar amplas permissões a esse agente: ele executa comandos no seu projeto, e cada alteração de arquivo e cada comando de shell devem ser revisados antes da aprovação.

História

Perguntas frequentes sobre a notícia

E os custos e a organização?

O Bedrock cobra a inferência por token e não há infraestrutura permanente, então, depois dos experimentos, não sobra nada para remover além das permissões IAM e dos perfis de teste. Lembre-se de que apagar a configuração local não revoga uma sessão ativa. Para tarefas sem requisitos de localização dos dados, a AWS aconselha começar pelo perfil de inferência global, que é 10% mais barato que os geográficos.

O que mudou na versão 2.7.0?

Antes, a conexão passava por um provedor genérico do tipo openai ou openai_responses. Era preciso informar um base_url regional e colar a chave de API do Bedrock. A chave podia ser de curta ou de longa duração, mas em qualquer caso era um segredo à parte: era preciso obtê-lo, armazená-lo em algum lugar e revogá-lo a tempo. Agora, a CLI tem um provedor nativo bedrock. Ele usa a cadeia padrão de credenciais da AWS: variáveis de ambiente, perfis nomeados e SSO via IAM Identity Center.

Como configurar?

O exemplo da AWS usa o Kimi K3.1 Pro Highspeed. O modelo oferece saída em streaming, raciocínio configurável, imagens como entrada e chamada de ferramentas no lado do cliente. O passo a passo é este. Primeiro, verifique se o AWS CLI enxerga a identidade correta: para SSO, use aws configure sso e aws sso login; para credenciais de console, é preciso aws login (AWS CLI 2.32.0 ou mais recente); e a checagem é feita com o comando aws sts get-caller-identity. Depois, edite o ~/.kimi-code/config.toml.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ 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
O que você acha?
Carregando comentários…