Uma coleção de customizações para o Kiro - a IDE com assistente de IA integrado. Este repositório contém Skills (capacidades especializadas), Powers (integrações MCP) e templates de Steering (personalização do assistente) prontos para uso.
- 💡 O que é o Kiro?
- 🎯 Steering - Personalizando seu Assistente
- 🧩 Skills - Capacidades Especializadas
- ⚡ Powers - Integrações MCP
- 📂 Estrutura do Repositório
- 🧠 Learning Ecosystem Skills
- 🤖 Agents
- 🛠️ Como Criar sua Própria Skill
- 🔄 AWS Transform - Custom Definitions
- 🤝 Contribuindo
- 📄 Licença
Kiro é uma IDE com assistente de IA que vai muito além de escrever código. Com Skills, Powers e Steering, o Kiro se transforma em um assistente pessoal completo - capaz de preparar você pra certificações, revisar gramática em outros idiomas, curar bookmarks, gerar documentação técnica, gerenciar pipelines de vendas e muito mais. Desenvolvedores são o público principal, mas as possibilidades de automação e produtividade se estendem a qualquer profissional.
Para conhecer todas as formas de personalização e extensão, veja a documentação oficial. Neste repositório, focamos em três delas:
💡 Quer ir além da IDE? O Kiro Assistant é um app desktop Electron que usa o
kiro-clicomo motor de agente para tarefas do dia a dia - criar áudio, vídeo, apresentações, modelagem em Excel, pesquisa profunda e mais. Com 500+ tools via Composio e skills carregadas dinamicamente, ele mostra que o Kiro pode ser útil pra qualquer pessoa, não só desenvolvedores.
- Steering - documentos markdown que personalizam o comportamento do assistente
- Skills - instruções especializadas que dão ao agente capacidades específicas
- Powers - integrações com serviços externos via Model Context Protocol (MCP)
📂 Pasta de configuração do Kiro: os arquivos de personalização ficam na pasta
.kiro/dentro do seu diretório home. No macOS/Linux é~/.kiro/, no Windows é%USERPROFILE%\.kiro\. Neste README, usamos<KIRO_HOME>para representar esse caminho.
O Kiro tem um nível gratuito usando o AWS Builder ID - sem cartão de crédito, sem compromisso. Nos primeiros 30 dias, você ainda ganha 500 créditos de bônus pra testar tudo.
O que é 1 crédito? Pense em créditos como tokens com peso variável. Prompts simples gastam menos de 1 crédito; tarefas complexas (como executar uma spec task) gastam mais. Modelos mais caros consomem mais créditos por prompt - por exemplo, Sonnet 4 custa ~1.3x mais que o modo Auto para a mesma tarefa. O menor consumo possível é 0.01 créditos.
Para detalhes completos, veja a página de pricing do Kiro.
Steering files são documentos markdown em .kiro/steering/ que configuram como o assistente se comporta. Pense neles como prompts permanentes - em vez de repetir instruções a cada conversa, você documenta uma vez e o agente segue sempre.
| Tipo | Quando carrega | Uso |
|---|---|---|
always |
Toda interação | Regras gerais, estilo de comunicação, protocolos |
auto |
Quando o Kiro detecta relevância pelo conteúdo da conversa | Contexto útil mas não obrigatório (ADRs, convenções de domínio) |
manual |
Quando você chama #nome no chat |
Contexto sob demanda (memória, referências) |
fileMatch |
Quando um arquivo específico é aberto | Regras por tipo de arquivo |
Este repo inclui dois templates para você começar:
r2d2-template.md - Template do steering principal (always)
🤖 Por que "R2D2"? Dar um nome ao steering torna o conceito tangível: é o seu assistente. Alfred, Jarvis, Minions... aqui é R2D2 - o droid de Star Wars que combina processamento, inteligência, conhecimento e personalidade. Resolve problemas complexos, antecipa necessidades e nunca precisa de muita explicação. Escolha o que fizer sentido pra você.
- Seção "Sobre Você" - perfil, cargo, domínios
- Estilo de comunicação - tabela do que fazer vs. evitar
- Estrutura de respostas - padrão conclusão → detalhes → trade-offs → ação
- Modo de operação - protocolos de segurança, fluxo git, ambiente
- Critérios de qualidade - o que é uma resposta excelente vs. anti-padrões
memory-template.md - Template de memória acumulativa (manual)
- Correções e ajustes - erros corrigidos que não devem se repetir
- Preferências observadas - padrões do seu estilo de trabalho
- Padrões reutilizáveis - abordagens que funcionaram bem
- Decisões e justificativas - registro de decisões com raciocínio
- Copie os templates
steering/r2d2-template.mdesteering/memory-template.mdpara<KIRO_HOME>/steering/ - Renomeie e edite com suas informações
- O steering principal (
always) carrega em toda interação - O memory (
manual) você ativa com#memoryno chat
💡 Pode fazer isso direto pelo Kiro: cole no chat algo como "copie o template r2d2-template.md para a pasta de steering do Kiro e renomeie para meu-steering.md" - o agente cuida do resto, independente do seu OS.
Skills são pacotes de instruções em markdown que dão ao agente do Kiro capacidades específicas. Uma skill pode ensinar o agente a seguir padrões de frontend, gerar documentação, preparar você pra uma certificação, ou qualquer outra tarefa que você repete com frequência. Seguem a especificação aberta Agent Skills.
Alguns exemplos do que skills podem fazer:
- frontend-design (Anthropic) - define padrões de UI/UX, componentes e design system pro agente seguir ao gerar código frontend
- pptx (Anthropic) - cria e edita apresentações PowerPoint programaticamente
- spanish-mentor (este repo) - mentor de gramática espanhola baseado nas regras da Real Academia Española (RAE)
- bookmark-curator (este repo) - transforma exports de bookmarks do Firefox em feeds visuais categorizados
Explore mais exemplos no repositório de skills da Anthropic.
skill-name/
├── SKILL.md # Obrigatório - instruções principais + frontmatter
├── references/ # Opcional - docs detalhados carregados sob demanda
├── scripts/ # Opcional - scripts executáveis
└── assets/ # Opcional - templates, dados
O SKILL.md contém um frontmatter YAML (name, description) e o corpo com instruções. Arquivos em references/ só são carregados quando necessário - isso é chamado de progressive disclosure e mantém o contexto leve.
| Skill | Descrição | Ative com |
|---|---|---|
| english-mentor | Tutor de inglês americano baseado em padrões IELTS/TOEIC. Revisa gramática, sugere correções. | #english-mentor ou "review english" |
| spanish-mentor | Mentor de gramática espanhola baseado nas regras da Real Academia Española (RAE). | #spanish-mentor ou "corregir español" |
| kubestronaut-coach | Coach para certificações Kubernetes (CKA, CKAD, CKS, KCNA, KCSA). Foco em velocidade e atalhos para provas. | #kubestronaut-coach ou "desafio CKA" |
| challenge-mentor | Mentor técnico para desafios hands-on de Kubernetes/EKS. Gera cenários progressivos de troubleshooting com hints graduais. | #challenge-mentor ou "desafio k8s" |
| training-mentor | Gera portais HTML de estudo a partir de uma lista de tópicos. Inclui referências oficiais e vídeos. | #training-mentor ou "training content" |
| learning-curator | Gerenciador de fila de estudo pessoal. Captura links/artigos/repos, prioriza por entregas e gera dashboards. | #learning-curator ou "learning queue" |
| bookmark-curator | Processa exports de bookmarks do Firefox, categoriza, resume e gera um feed visual HTML. | #bookmark-curator ou "organizar bookmarks" |
| tech-docs | Gera documentação técnica estruturada a partir de código de infraestrutura (Terraform, K8s, ArgoCD). | #tech-docs ou "documentar projeto" |
| skill-factory | Guia a criação de novas skills seguindo a especificação Agent Skills. | #skill-factory ou "criar skill" |
| ack-resource-adoption | Adota recursos AWS existentes no ACK via Feature Gate ResourceAdoption e política adopt-or-create. Cobre discovery, manifests, deletion policy e validação. |
#ack-resource-adoption ou "ACK adoption" |
| daily-planner | Assistente de planejamento diário e semanal com matriz Eisenhower, time boxing, detecção de conflitos e triage de tarefas. Funciona com qualquer calendar + task manager via MCP. | #daily-planner ou "plan my day" |
- Copie a pasta da skill desejada (ex:
skills/kubestronaut-coach/) para<KIRO_HOME>/skills/ - Para instalar todas, copie todo o conteúdo de
skills/para<KIRO_HOME>/skills/
💡 Pode fazer isso direto pelo Kiro: cole no chat "instalar a skill kubestronaut-coach" ou "instalar todas as skills deste repo" - o agente copia os arquivos pra você.
Skills são ativadas no chat do Kiro usando #nome-da-skill ou mencionando as keywords definidas na description do frontmatter.
- Agent Skills Spec - especificação aberta para skills de agentes IA
- Anthropic Skills Examples - exemplos oficiais da Anthropic
Powers dão ao agente acesso a conhecimento especializado com carregamento dinâmico - diferente de conectar MCP servers diretamente (onde 5 servers = 180+ tools = 40%+ da janela de contexto consumida antes do primeiro prompt), Powers ativam só quando o contexto da conversa pede e desativam quando não são mais relevantes.
Um Power é mais do que um MCP server - é um pacote que une POWER.md (steering pro agente), configuração MCP (tools e conexão) e opcionalmente steering/hooks (workflows automatizados). Para saber mais, veja a documentação de Powers.
💡 Por que converti meus MCP servers em Powers? Economia de contexto. Empacotando como Power, o Kiro só carrega as tools quando precisa - respostas mais rápidas e com mais qualidade.
power-name/
├── POWER.md # Instruções e documentação
├── mcp.json # Configuração do servidor MCP
└── steering/ # Opcional - guias de workflow
| Power | Descrição | MCP Server |
|---|---|---|
| github-power | Integração completa com GitHub - repos, issues, PRs, code search | @modelcontextprotocol/server-github |
| eks-power | Gerenciamento de clusters AWS EKS - clusters, node groups, add-ons, pod identity | awslabs.eks-mcp-server |
| kubernetes-power | Operações Kubernetes - kubectl, Helm, pods, troubleshooting | kubernetes MCP |
| k8s-healthcheck | Health check e validação de boas práticas para clusters K8s/EKS. 8 pilares, 64 checks cobrindo security, reliability, networking, cost, scalability, upgrades, configuration e container image build. | kubernetes + awslabs.eks-mcp-server |
| power-markitdown | Converte arquivos e URLs para Markdown (PDF, DOCX, PPTX, imagens, áudio) | markitdown-mcp |
| power-aws-diagram | Gera diagramas de arquitetura AWS usando Python diagrams DSL | awslabs/diagram-mcp-server |
| power-research-assistant | Pesquisa profunda com loops iterativos plan-search-evaluate, verificação de fontes e prevenção de alucinações | tavily + fetch + context7 + deepwiki |
| power-ticktick | Gerenciamento de tarefas via TickTick MCP - Eisenhower Matrix, CRUD de tasks, reminders, gotchas do campo content | ticktick MCP |
- Copie a pasta do Power desejado (ex:
powers/k8s-healthcheck/) para<KIRO_HOME>/powers/installed/ - Reinicie o Kiro para reconectar os MCP servers
- Se o Power exigir configuração (veja tabela de pré-requisitos abaixo), edite o
mcp.jsoncom suas credenciais
A maioria dos Powers funciona plug-and-play sem nenhuma configuração adicional. Apenas alguns exigem chaves ou credenciais específicas (como o github-power que precisa de um Personal Access Token).
💡 Pode fazer isso direto pelo Kiro: cole no chat "instalar o power k8s-healthcheck" - o agente copia os arquivos pra você.
💡 Explore mais Powers no Kiro Powers Hub
| Power | Requer |
|---|---|
| github-power | GitHub Personal Access Token |
| eks-power | AWS credentials configuradas (aws configure) |
| kubernetes-power | kubeconfig configurado |
| k8s-healthcheck | kubeconfig configurado + AWS credentials (para checks EKS) |
| power-markitdown | Python + uvx instalado |
| power-aws-diagram | Python + uvx instalado |
| power-research-assistant | Tavily API key (gratuita em tavily.com) |
| power-ticktick | Conta TickTick (OAuth via browser no primeiro uso) |
O Power k8s-healthcheck gera um report HTML interativo com health score, donut chart de findings, pillar cards clicáveis, tabelas filtradas por severidade e prioritized actions.
KIRO/
├── README.md
├── agents/
│ └── bookmark-curator/ # Agent autônomo para curadoria de bookmarks
├── steering/
│ ├── r2d2-template.md # Template do steering principal
│ └── memory-template.md # Template de memória acumulativa
├── skills/
│ ├── english-mentor/ # Tutor de inglês
│ ├── spanish-mentor/ # Mentor de espanhol
│ ├── kubestronaut-coach/ # Coach de certificações K8s
│ ├── challenge-mentor/ # Desafios hands-on K8s com hints progressivos
│ ├── training-mentor/ # Portais de estudo HTML (3 templates aprovados)
│ ├── learning-curator/ # Fila de estudo pessoal com priorização
│ ├── bookmark-curator/ # Curadoria de bookmarks
│ ├── tech-docs/ # Gerador de documentação técnica
│ ├── skill-factory/ # Meta-skill para criar novas skills
│ ├── ack-resource-adoption/ # Adoção de recursos AWS existentes no ACK
│ └── daily-planner/ # Planejamento diário/semanal com Eisenhower + time boxing
└── powers/
├── github-power/ # GitHub integration
├── eks-power/ # AWS EKS management
├── kubernetes-power/ # Kubernetes operations
├── k8s-healthcheck/ # K8s/EKS health check & best practices (8 pillars, 64 checks)
├── power-markitdown/ # File-to-Markdown converter
├── power-aws-diagram/ # AWS architecture diagrams
├── power-research-assistant/ # Deep research with source verification
└── power-ticktick/ # TickTick task management (Eisenhower Matrix)
├── transforms/
│ ├── atx-td-eks-upgrade/ # ATX Custom TD: EKS version upgrade code migration
│ └── atx-td-ack-adoption/ # ATX Custom TD: ACK Resource Adoption from IaC (+ kro RGDs)
├── examples/
│ ├── nginx-migration/ # Portal de migração NGINX Ingress → AWS LBC
│ ├── istio/ # Portal de Istio Service Mesh no EKS
│ └── learning-ecosystem.html # Diagrama interativo do ecossistema de skills
└── docs/
└── learning-ecosystem.png # Diagrama estático do ecossistema
Um conjunto conectado de 3 Kiro skills + 1 agent que criam um pipeline completo de aprendizado autodirigido:
bookmark-curator (skill + agent) → learning-curator (skill) → training-mentor (skill) → challenge-mentor (skill)
Aprendizado técnico é naturalmente disperso: bookmarks acumulam no browser, abas abertas viram dezenas sem critério, material de estudo não tem estrutura, e não existe forma de validar se você realmente aprendeu algo. Cada ferramenta resolve um pedaço - mas nenhuma conecta o ciclo completo de capturar → priorizar → estudar → praticar → validar.
O Learning Ecosystem resolve isso com 3 skills e 1 agent que funcionam como um pipeline integrado. Cada componente alimenta o próximo, criando um ciclo contínuo de aprendizado autodirigido.
📊 Veja também o diagrama interativo com o fluxo completo entre as skills.
1. bookmark-curator - Ponto de entrada (skill + agent)
Processa exports de bookmarks do browser (Firefox JSON) e transforma um dump caótico de favoritos em dados estruturados e categorizados. Gera um feed visual HTML e alimenta o bookmarks-data.json - a base de links compartilhada que as outras skills consomem. Funciona como skill interativa no chat ou como agent autônomo rodando em schedule (launchd, cron, Task Scheduler).
2. learning-curator - Triagem e priorização
Captura links de abas abertas do browser, cruza com entregas de trabalho próximas (via calendar) e prioriza o que estudar primeiro. Gera um dashboard de estudo com priorização estilo Eisenhower - o que é urgente e importante sobe pro topo. Links triados também alimentam o bookmarks-data.json, garantindo uma base unificada.
3. training-mentor - Material estruturado
Recebe uma lista de tópicos e gera portais HTML de treinamento autocontidos - teoria com referências curadas de docs oficiais, labs hands-on com provisionamento IaC (Terraform/eksdemo), e vídeos de fontes confiáveis. Consome links do bookmarks-data.json como referências prioritárias. Todo portal de labs começa com um Lab 0 que provisiona o ambiente completo e termina com uma seção Challenge Mode que conecta ao próximo passo.
4. challenge-mentor - Validação de conhecimento
Após completar os labs guiados, gera desafios de troubleshooting sem guia com hints progressivos (3 níveis). Apresenta variações de cenários que o aprendiz não viu nos labs - com causas-raiz diferentes e sem passo-a-passo. Testa entendimento real, não memorização. Após consumir os desafios, o ciclo volta ao learning-curator para marcar o tópico como concluído e curar o próximo.
| Etapa | Componente | Tipo | Entrada | Saída |
|---|---|---|---|---|
| Captura | bookmark-curator | skill + agent | Export JSON do Firefox | bookmarks-data.json + feed HTML |
| Triagem | learning-curator | skill | Abas abertas + calendar | Fila priorizada + bookmarks-data.json |
| Estudo | training-mentor | skill | Lista de tópicos + bookmarks-data | Portais HTML (teoria + labs) |
| Validação | challenge-mentor | skill | Tópico dos labs completados | Desafios com hints progressivos |
O poder está na integração: bookmark-curator e learning-curator alimentam a mesma base de links (bookmarks-data.json). O training-mentor consome essa base como referências prioritárias (badge ⭐). Os portais de labs linkam para o challenge-mentor. E o learning-curator fecha o ciclo marcando portais como concluídos.
- Lab 0 IaC Pattern - Todo portal de labs provisiona o ambiente completo via Terraform. Um
terraform applydo zero ao pronto. Sem pré-requisitos além de AWS CLI, Terraform e kubectl. - Completude autoguiada - Todo lab é executável do início ao fim sem conhecimento externo. Nada de "assuma que X existe" - ou o Lab 0 provisiona, ou o lab tem um setup step.
- Challenge Mode - Portais de labs terminam com uma seção que linka para o challenge-mentor, criando a progressão: teoria → prática guiada → desafio sem guia.
- Templates HTML aprovados - Design visual consistente em todos os portais (dark/light mode, responsivo, autocontido). Três templates: theory portal, labs portal, hub page.
A pasta examples/ contém portais de treinamento sanitizados gerados pelo training-mentor:
examples/nginx-migration/- Aposentadoria do NGINX Ingress Controller e migração para AWS LBC / Gateway APIexamples/istio/- Istio Service Mesh (Sidecar + Ambient Mode) no EKSexamples/learning-ecosystem.html- Diagrama Mermaid interativo da integração entre skills
| Skill | Propósito | Arquivos-chave |
|---|---|---|
| bookmark-curator | Processar bookmarks do browser em dados estruturados | SKILL.md + feed HTML template |
| learning-curator | Triagem e priorização de material de estudo | SKILL.md + template de dashboard |
| training-mentor | Gerar portais HTML de treinamento (teoria + labs) | SKILL.md + 3 templates HTML |
| challenge-mentor | Desafios de troubleshooting sem guia | SKILL.md + catálogo de desafios |
Agents são como skills, mas projetados para execução autônoma - sem interação humana durante a execução. Podem ser agendados via cron, launchd, ou Task Scheduler para rodar periodicamente.
| Aspecto | Skill | Agent |
|---|---|---|
| Interação | Interativa (chat) | Autônoma (batch) |
| Ativação | #nome no chat |
kiro-cli agent run nome |
| Duração | Enquanto o chat durar | Executa e termina |
| Agendamento | Não | Sim (cron, launchd, Task Scheduler) |
| Erro handling | Pergunta ao usuário | Classifica e decide sozinho |
| Agent | Descrição | Automação |
|---|---|---|
| bookmark-curator | Processa exports de bookmarks do Firefox em dados estruturados, markdown e feed visual HTML. Alimenta o pipeline de aprendizado. | Guia de automação |
💡 O bookmark-curator também existe como skill para uso interativo no chat. O agent é a versão autônoma que roda em schedule.
Use a skill skill-factory incluída neste repo para criar novas skills:
- Copie a pasta
skills/skill-factory/para<KIRO_HOME>/skills/ - No chat do Kiro, diga: "criar skill para [descreva o que quer]"
- O skill-factory guia você pela estrutura, frontmatter e instruções
- Resultado: uma skill pronta em
<KIRO_HOME>/skills/
💡 Pode pedir direto no chat: "instalar a skill skill-factory e criar uma skill para [seu caso de uso]"
Ou crie manualmente seguindo a especificação Agent Skills.
AWS Transform usa AI agents para analisar e transformar código automaticamente. Custom Transformation Definitions (TDs) permitem criar transformations específicas para casos de uso que o catálogo padrão não cobre.
| TD | Descrição | Uso |
|---|---|---|
| eks-version-upgrade-readiness | Analisa e transforma manifests K8s, Helm charts, Terraform e CDK para compatibilidade com uma versão target do EKS. Detecta APIs deprecadas, atualiza campos, valida addons, faz o pre-flight de rollback readiness (compatibilidade N-1 + disruption controls) e gera migration report. | atx custom def exec -n eks-version-upgrade-readiness |
| ack-resource-adoption-from-iac | Gera manifests de adoção ACK (adopt-or-create + deletion-policy: retain) a partir de CloudFormation, Terraform e Pulumi, trazendo recursos AWS existentes pra gestão GitOps sem recriar nada. Modules e nested stacks viram ResourceGraphDefinitions do kro. |
atx custom def exec -n ack-resource-adoption-from-iac |
🚀 Ambos os TDs foram submetidos ao repositório oficial aws-samples/aws-transform-custom-samples: PR #72 (EKS Upgrade Readiness, mergeado) e PR #74 (ACK Resource Adoption). O PR #84 acrescenta rollback readiness ao TD de EKS upgrade, depois do lançamento do EKS Version Rollback.
- k8s-healthcheck Power = analisa o cluster RODANDO (runtime health, 64 checks em 8 pilares)
- ATX TD eks-upgrade = transforma o CÓDIGO antes do upgrade (code readiness, API migrations)
Juntos, oferecem upgrade end-to-end: código preparado + cluster validado.
# Transformar repo para compatibilidade com EKS 1.32
atx custom def exec \
-n eks-version-upgrade-readiness \
-p /path/to/customer-repo \
-x -t \
--configuration 'additionalPlanContext=Target EKS version 1.32. Upgrade from 1.28.'
# Apenas análise (sem modificar arquivos)
atx custom def exec \
-n eks-version-upgrade-readiness \
-p /path/to/customer-repo \
-x -t \
--configuration 'additionalPlanContext=Target EKS version 1.32. Analysis only - do not modify files.'Método usado para validar os dois TDs deste repo de ponta a ponta - cada TD tem seu BENCHMARKS.md com os resultados reais. O princípio: plantar incompatibilidades conhecidas, deixar o agente transformar, e auditar cada mudança com validadores externos.
# 1. Crie um repo de teste com casos CONHECIDOS (deprecated APIs, modules, edge cases)
# e commite o baseline - o atx exige git, e o baseline vira sua trilha de auditoria
mkdir test-repo && cd test-repo
git init && git add -A && git commit -m "baseline: known incompatibilities planted"
# 2. Publique o TD (dica: o publish só aceita SKILL.md + references/ + scripts/ -
# um README.md na pasta aborta o publish; use uma cópia staged sem ele)
atx custom def publish -n <td-name> --sd <td-dir> --description "..."
# 3. Execute com budget de agent minutes (se estourar, o CLI imprime o comando de resume)
atx -t --limit 60 custom def exec -n <td-name> -p ./test-repo -x -t \
--configuration 'additionalPlanContext=...'
# 4. Audite: o agente commita como "ATX Bot" - o diff contra o baseline mostra TUDO
git log --oneline # baseline (você) + steps (ATX Bot)
git diff <baseline> HEAD # cada transformação, auditável linha a linha
# 5. Valide com ferramentas EXTERNAS (nunca confie só no output do agente)
terraform validate # IaC
helm template test ./chart # charts
kubectl apply --dry-run=server -f manifests/ # contra um cluster real
# 5b. Schema validation SEM cluster, contra os DOIS lados do hop (brew install kubeconform)
# A versão de destino prova que o manifest é válido DEPOIS da transformação.
# A versão N-1 prova QUAIS mudanças são target-only - o que validador de
# versão única não consegue mostrar. Use -ignore-missing-schemas: CRD não
# tem schema upstream e sai como "skipped", não como falha.
kubeconform -kubernetes-version 1.34.0 -summary -ignore-missing-schemas manifests/
kubeconform -kubernetes-version 1.33.0 -summary -ignore-missing-schemas manifests/
helm template test ./chart | kubeconform -kubernetes-version 1.34.0 -summary -Checklist de qualidade (o que os benchmarks deste repo cobrem):
- ✅ Casos positivos: cada incompatibilidade plantada foi detectada e transformada?
- ✅ Controles negativos: recursos já corretos ficaram intocados (zero falso positivo)?
- ✅ Casos flag-only: itens que não devem ser auto-migrados (ex: PodSecurityPolicy) foram flagados sem transformação?
- ✅ Fontes intactas: nos TDs generate-only, o código fonte ficou byte-idêntico?
- ✅ Report gerado: MIGRATION_REPORT.md / ADOPTION_REPORT.md completos?
- ✅ Dual-version: rodou o schema check contra a versão de destino e contra N-1 (quando o TD afirma algo sobre compatibilidade entre versões)?
- ✅ Custo: agent minutes registrados por run ($0.035/min) - os runs deste repo ficaram entre 17 e 44 min cada
💡 Lição dos benchmarks: um caso de teste com um tipo de recurso fora da tabela de mapping do TD é valioso - valida que o agente flaga em vez de inventar (comportamento "never guess"). Foi exatamente assim que um gap real na tabela de mapping do ACK TD foi encontrado e corrigido.
💡 Lição do TD de EKS Upgrade:
kubectl --dry-runexige cluster e valida UMA versão só. Rodarkubeconformcontra 1.34 e 1.33 no mesmo run foi o que transformou "essa mudança é target-only" de afirmação em fato medido - o VolumeAttributesClass valida em 1.34 e falha em 1.33 (could not find schema), enquanto os outros 10 recursos passam nas duas. Diferença de schema entre as duas versões é evidência; release note é só a hipótese. Bônus: o mesmo comando provou que PodSecurityPolicy não tem schema em 1.34, confirmando por outra via que flag-only é o comportamento certo.
- Fork este repo
- Crie sua skill/power seguindo a estrutura acima
- Garanta que não há chaves, tokens ou dados pessoais nos arquivos
- Abra um Pull Request
MIT