Ampliación del conocimiento organizacional en Kiro con Amazon Bedrock y MCP

Introducción: Por qué la gestión del conocimiento es importante en las organizaciones modernas.

En la era digital actual, las organizaciones acumulan enormes cantidades de información técnica: documentación interna, manuales de procedimientos, decisiones arquitectónicas, guías de incorporación, políticas de seguridad y más. El problema no es la falta de información, sino su accesibilidad en el momento adecuado, para la persona adecuada. Ingenieros DevOpsarquitectos cloud y los equipos de desarrollo pierden valiosas horas buscando respuestas en sistemas dispares o preguntando a colegas que pueden no estar disponibles. Kiro, el nuevo IDE inteligente lanzado por AWS, aborda este mismo problema integrando de forma nativa las bases de conocimiento de la organización, utilizando Bases de conocimiento de Amazon Bedrock, LangChain y el protocolo MCP (Protocolo de Contexto Modelo)Esta combinación transforma la forma en que los equipos técnicos interactúan con la información interna, reduciendo el miedo cognitivo y acelerando la toma de decisiones basada en el contexto real.

¿Qué es Kiro y cómo encaja en el ecosistema de AWS?

Kiro es un entorno de desarrollo integrado (IDE) de última generación creado por AWS para proporcionar a los desarrolladores un espacio de trabajo potenciado por inteligencia artificial. A diferencia de los editores tradicionales, Kiro no es solo una herramienta para escribir código, sino un asistente contextual que comprende la estructura del proyecto, las convenciones del equipo e incluso la documentación interna específica de la organización. Gracias a su extensibilidad basada en agentes y sus protocolos abiertos, Kiro puede conectarse a fuentes de conocimiento externas, transformándose en un centro centralizado de información técnica.

En el contexto DevOpsUna herramienta de este tipo tiene implicaciones significativas. Imagina que un nuevo ingeniero del equipo puede preguntarle directamente a Kiro: “¿Cuál es el procedimiento de reversión para el servicio de pago?” o “¿Qué decisiones arquitectónicas se tomaron para la base de datos principal?” y recibir una respuesta contextual, extraída de la documentación interna de la organización. Este es el tipo de experiencia que permite la integración con las bases de conocimiento de Amazon Bedrock.

Bases de conocimiento de Amazon Bedrock: La base técnica de la solución

¿Qué son las bases de conocimiento de Amazon Bedrock?

Bases de conocimiento de Amazon Bedrock es un servicio administrado dentro de la plataforma Amazon Bedrock que permite a las organizaciones conectar grandes modelos lingüísticos (LLM) a fuentes de datos privadas y propietarias. A través de la técnica RAG (Generación aumentada de recuperación)El modelo ya no genera respuestas basándose exclusivamente en datos de preentrenamiento, sino que consulta una base de conocimientos indexada en tiempo real, devolviendo respuestas basadas en documentos reales y actuales.

La arquitectura técnica de una base de conocimientos en Amazon Bedrock consta de varios componentes esenciales:

Un conector de fuente de datos que ingiere documentos de fuentes como Amazon S3, Confluence, SharePoint u otros sistemas de gestión de contenido.
Un modelo de incrustación (por ejemplo, Amazon Titan Embeddings o Cohere Embed) que transforman documentos en vectores numéricos representativos.
Un tienda de vectores gestionado, como Amazon OpenSearch Serverless o Pinecone, donde los vectores se almacenan e indexan para una búsqueda semántica rápida.
Un perdiguero que, en el momento de la consulta, identifica los fragmentos de texto más relevantes en función de su similitud semántica con la pregunta del usuario.
Un LLM (por ejemplo, el Soneto 3 o el Haiku de Claude) que sintetiza los fragmentos recuperados en una respuesta coherente y contextual.

Esta arquitectura garantiza que las respuestas generadas no solo sean plausibles, sino también verificables, ya que el sistema puede proporcionar citas exactas de los documentos fuente. Para equipos DevOpsEsta característica es fundamental: no se busca que un agente de IA invente un procedimiento de respuesta a incidentes, sino que lo extraiga fielmente del manual de procedimientos existente de la organización.

Proceso de ingesta y segmentación de documentos

Un aspecto técnico importante de las bases de conocimiento de Amazon Bedrock es cómo se procesan los documentos antes de la indexación. Los documentos se dividen en trozos De tamaño configurable, cada fragmento representa una unidad de información que se transformará en un vector de incrustación. La estrategia de segmentación influye significativamente en la calidad de las respuestas: los fragmentos demasiado pequeños pierden contexto, mientras que los demasiado grandes introducen ruido y reducen la precisión de la recuperación.

AWS ofrece varias estrategias de segmentación: segmentación de tamaño fijo, segmentación semántica y segmentación jerárquica. En escenarios organizativos complejos, fragmentación jerárquica Se suele preferir este método porque mantiene la relación entre las secciones de un documento, lo que permite recuperar tanto los detalles específicos como el contexto más amplio en el que aparecen. Esto supone una diferencia significativa con respecto al enfoque simplista de segmentar el texto en un número fijo de tokens, lo que puede interrumpir la información en puntos inapropiados.

LangChain: Orquestación de flujos RAG en el contexto de Kiro

LangChain es un marco de código abierto extremadamente popular en el ecosistema de IA/ML, diseñado para facilitar la creación de aplicaciones basadas en modelos lingüísticos. En la arquitectura descrita en el artículo de AWS, LangChain desempeña el papel de orquestador del flujo RAG, conectando los componentes individuales en una tubería coherente y fácilmente extensible.

Mediante LangChain, se pueden definir fácilmente cadenas de procesamiento (cadenas) cual:

Recibo una pregunta de la interfaz de Kiro o de un agente MCP.
Reformule o mejore la pregunta para maximizar la calidad de la recuperación (reescritura de la consulta).
Consulta la base de conocimientos de Amazon Bedrock a través de la API dedicada.
Filtrar y reordenar los resultados recuperados en función de su relevancia.
Transmito el contexto recuperado a un LLM para generar la respuesta final.
Devuelve la respuesta junto con las fuentes citadas al usuario.

LangChain también ofrece integraciones nativas con lecho rocoso del amazonas, lo que simplifica significativamente la configuración. A través de la clase Recuperador de bases de conocimiento de Amazon, los desarrolladores pueden instanciar un recuperador conectado directamente a una base de conocimiento existente, especificando parámetros como el número de documentos recuperados (top_k) y filtros de metadatos para limitar la búsqueda a categorías de documentos específicas. Esta granularidad es esencial en grandes organizaciones, donde la base de conocimientos puede contener miles de documentos de diferentes dominios.

MCP: El protocolo que conecta a los agentes con el conocimiento organizacional.

¿Qué es el Protocolo de Contexto de Modelo (MCP)?

Protocolo de contexto modelo (MCP) MCP es un estándar abierto, impulsado por Anthropic, que define cómo los modelos lingüísticos y los agentes de IA pueden interactuar con herramientas y fuentes de datos externas de forma estandarizada e interoperable. Si bien hasta ahora toda integración entre un modelo lingüístico y un sistema externo requería una implementación personalizada, MCP propone un contrato común que tanto los servidores de herramientas como los clientes de IA pueden implementar para comunicarse de manera eficiente.

En el contexto de Kiro, el MCP es el mecanismo a través del cual el IDE puede llamar a un servidor dedicado que expone las capacidades de las bases de conocimiento de Amazon Bedrock como SITIOS DE HERRAMIENTAS accesible a los agentes de IA. Específicamente, un servidor MCP implementado en Python o TypeScript puede exponer una función del tipo base_de_conocimiento_de_búsqueda(consulta: cadena), que Kiro puede invocar automáticamente cuando un agente necesita información de la documentación de la organización.

Arquitectura del servidor MCP para bases de conocimiento

La implementación práctica de un servidor MCP que integra las bases de conocimiento de Amazon Bedrock implica los siguientes componentes técnicos:

Un Servidor MCP Construido con el SDK oficial (disponible en Python y TypeScript) que expone las herramientas necesarias.
Integración con boto3 (AWS SDK para Python) o con LangChain para realizar llamadas a Bedrock.
La definición clara de esquemas de herramientas (Esquemas JSON) que describen las entradas y salidas de cada herramienta, lo que permite al agente de IA comprender cuándo y cómo utilizar la herramienta.
Mecanismos autenticación y autorización basado en AWS IAM, lo que garantiza que solo los usuarios y agentes autorizados puedan acceder a la información confidencial.
Registro y observabilidad para supervisar qué consultas se realizan y cómo se utiliza el conocimiento organizacional.

Un detalle técnico importante es cómo el esquema de la herramienta influye en el comportamiento del agente. Cuanto más precisa y contextual sea la descripción de la herramienta, mejor sabrá el agente de IA cuándo invocarla y cómo formular la consulta. Por ejemplo, en lugar de una descripción genérica como "buscar documentos", una mejor descripción sería: “Consulta la base de conocimientos de la organización para obtener información sobre procedimientos operativos, decisiones arquitectónicas y directrices técnicas específicas de la empresa. Utiliza esta herramienta cuando el usuario pregunte sobre prácticas internas, convenciones de codificación o procesos de equipo.”

El flujo completo: desde la pregunta del desarrollador hasta la respuesta contextual.

Para comprender el valor práctico de esta arquitectura, es útil analizar un escenario completo de principio a fin. Un ingeniero DevOps Trabaja en Kiro y se enfrenta a un problema al configurar una canalización de CI/CD. En lugar de buscar en Confluence o preguntar a un compañero, escribe la pregunta directamente en la interfaz del agente de Kiro:

¿Cómo configuramos las notificaciones de alerta para nuestras canalizaciones de Jenkins?

Esto es lo que está sucediendo entre bastidores:

Kiro envía la pregunta al agente de IA configurado, que identifica que necesita un contexto organizacional específico.
El agente invoca la herramienta MCP base_de_conocimiento_de_búsqueda con la consulta reformulada para maximizar la calidad de recuperación
El servidor MCP llama a las bases de conocimiento de Amazon Bedrock a través de la API, que realiza una búsqueda semántica vectorial en los documentos indexados.
Se recuperan los fragmentos más relevantes de la documentación interna, junto con los metadatos de origen (título del documento, fecha de última actualización, autor).
LangChain orquesta la transmisión de este contexto al modelo Claude, que genera una respuesta coherente, estructurada y con citas.
Kiro muestra la respuesta del ingeniero, con enlaces a los documentos fuente para su verificación.

Todo el proceso se completa en segundos y elimina la necesidad de consultar múltiples sistemas de documentación o interrumpir a un compañero. A nivel organizacional, el ahorro de tiempo y la reducción de errores debidos a información incompleta o desactualizada son considerables.

Beneficios arquitectónicos y consideraciones de implementación

Escalabilidad y actualización del conocimiento

Una gran ventaja del enfoque de las bases de conocimiento de Amazon Bedrock es que la actualización del conocimiento no requiere volver a entrenar el modelo. Cuando la documentación cambia, basta con activar una nueva sincronización de la base de conocimiento, que vuelve a ingerir los documentos modificados y actualiza los vectores correspondientes en el almacenamiento. Esta clara separación entre conocimiento estático del modelo (helado en el momento del entrenamiento) y conocimiento dinámico de la organización (actualización continua) es una de las propiedades arquitectónicas más valiosas del paradigma RAG.

Seguridad y cumplimiento

Debido a que los documentos organizativos permanecen en la cuenta de AWS de la empresa y no se transmiten a terceros para capacitación, la arquitectura cumple con los requisitos de residencia de datos si conformidad Específico para muchos sectores regulados. El control de acceso granular a través de AWS IAM permite definir políticas precisas que especifican qué roles pueden acceder a qué categorías de documentos, evitando así la filtración accidental de información confidencial.

Integración con feeds DevOps existentes

La solución se puede ampliar para alimentar automáticamente la base de conocimientos con la documentación generada a partir de los pipelines de CI/CD: informes de incidentes, análisis post mortem, notas de lanzamiento, registros de cambios y más. Al configurar un disparador Lambda que se activa con cada confirmación en la rama principal, la documentación técnica se mantiene sincronizada en tiempo real con el estado actual de los sistemas, transformando la base de conocimientos en una fuente de información fiable y dinámica para toda la organización.

Conclusión: El futuro de los IDE potenciado por la IA organizacional

Integración entre Kiro, Bases de conocimiento de Amazon Bedrock, LangChain si MCP Representa un salto cualitativo en la forma en que las organizaciones pueden democratizar el acceso al conocimiento interno. Ya no se trata de un chatbot genérico que lo sabe todo y nada específico, sino de un asistente técnico que conoce las convenciones, los procesos y las decisiones de su equipo. Esta especificidad es lo que marca la diferencia entre una herramienta de IA útil y una que transforma verdaderamente la productividad de los ingenieros. DevOps.

A medida que las organizaciones adoptan este paradigma, esperamos ver una reducción significativa en conocimiento tribal (información que solo existe en la mente de ciertas personas), una incorporación más rápida para los nuevos miembros del equipo y una mayor coherencia en la aplicación de las mejores prácticas. En este contexto, invertir en la infraestructura del conocimiento organizacional se convierte en una inversión directa en la velocidad y la calidad de las entregas de software.

Seguramente entendiste a qué se refieren las noticias del 2026 DevOpsSi estás interesado en profundizar tus conocimientos en el campo, te invitamos a explorar nuestra oferta de cursos estructurados por roles y categorías en DevOps BUJE. Ya sea que recién estés comenzando o quieras mejorar tus habilidades, tenemos un curso para ti.