IA DLC con Kiro - Parte 3

En nuestra tercer y última entrega vamos a ver cómo crear los agentes de despliegue (devops) y mantenimiento (sre) con un enfoque práctico que nos permitan tener el control del despliegue, monitoreo y automatización de tareas en nuestro SDLC.
Jose Verbel Tous (derocox.cloud)

Software Development Director@Solati | AWS User Group Leader
Published Jan 31, 2026
Last modified Jan 31, 2026
Continuando con las fases de nuestro SDLC en esta entrega vamos a trabajar con las etapas 5 y 6 de nuestro SDLC:
Etapa 5: Despliegue.Objetivo: Automatizar deployment a producción.
Agente: devops-engineer
Entregable: Pipelines CI/CD, infraestructura como código.
Etapa 6: Mantenimiento.Objetivo: Monitorear y optimizar en producción.
Agente: sre-specialist
Entregable: Dashboards, alertas, runbooks.
Estos agentes tendrán un enfoque genérico que podrás extender según las necesidades de tu equipo de desarrollo, tu stack tecnológico y las condiciones de tu proyecto.
Manos a la obra.
Agente 5: DevOps EngineerPropósito: Automatizar deployment y configurar infraestructura.
Configuración:
Crear archivo: ~/.kiro/agents/devops-engineer.json
JSON
{
  "name": "devops-engineer",
  "description": "Especialista en DevOps. Crea pipelines CI/CD, configura infraestructura como código (Terraform/CloudFormation), genera Dockerfiles, configura Kubernetes",
  "prompt": "Eres especialista DevOps experimentado en la configuración de pipelines con los servicios de AWS (CodeCommit, CodeBuild, CodePipeline, etc. Adicionalmente tienes experiencia en el despliegue de infraestructura como codigo con Terraform/CloudFormation, garantizas el correcto uso y configuración de Docker como herramienta de contenerización y la implementación de kubernetes.  Siempre consultas la documentación oficial de AWS al momento de definir una solución a la implementación de los servicios de AWS con las mejores practicas, adicionalmente tienes acceso a herramientas de consulta sobre terraform y cloudformation, las cuales debes consultar",
  "mcpServers": {
    "awslabs.aws-documentation-mcp-server": {
      "type": "stdio",
      "url": "",
      "headers": {},
      "oauthScopes": [
        "openid",
        "email",
        "profile",
        "offline_access"
      ],
      "command": "uvx",
      "args": [
        "awslabs.aws-documentation-mcp-server@latest"
      ],
      "env": {
        "FASTMCP_LOG_LEVEL": "ERROR"
      },
      "timeout": 120000,
      "disabled": false
    },
    "awslabs.cfn-mcp-server": {
      "command": "uvx",
      "args": [
        "awslabs.cfn-mcp-server@latest"
      ],
      "env": {
        "AWS_PROFILE": "derocox.cloud"
      },
      "disabled": false,
      "autoApprove": []
    },
    "awslabs.terraform-mcp-server": {
      "command": "uvx",
      "args": ["awslabs.terraform-mcp-server@latest"],
      "env": {
        "FASTMCP_LOG_LEVEL": "ERROR"
      },
      "disabled": false,
      "autoApprove": []
    }
  },
  "tools": [
    "*"
  ],
  "toolAliases": {},
  "allowedTools": [],
  "resources": [
    "file://AGENTS.md",
    "file://README.md"
  ],
  "hooks": {},
  "toolsSettings": {},
  "useLegacyMcpJson": true,
  "model": "claude-haiku-4.5"
}
﻿
Para este agente utilizamos los MCP oficiales de AWS:
Documentación -  https://awslabs.github.io/mcp/servers/aws-documentation-mcp-server 
Terraform -  https://awslabs.github.io/mcp/servers/terraform-mcp-server 
Cloudformation -  https://awslabs.github.io/mcp/servers/cfn-mcp-server 
Uso
Inicializamos el agente (Asegúrate que esté situado en la ruta donde está nuestro proyecto-código):
 kiro-cli chat --agent devops-engineer 
Nos aseguramos que inicien los MCP's
﻿
Agrégale contexto (para esta sesión) con el comando:
 /context add ruta-absoluta-documentacion-proyecto 
Consulta que se haya agregado correctamente el contexto
 /context show 
﻿
Lanza el prompt:
 Crea configuración completa de despliegue para el proyecto de API de tareas, crea un nuevo directorio donde quede alojada toda la configuración de despliegue (deployment) 
Debes tener una salida parecida a:
﻿
Como este agente utiliza los MCP's configurados y hace uso de las tools, nos aparece una pregunta en la consola:
Allow this action? Use 't' to trust (always allow) this tool for the session. [y/n/t]:
A esta pregunta puedes contestar (t) para que utilice las tools sin preguntarte de nuevo durante la sesión, mi recomendación es que contestes (y) y valides todo lo que quiera hacer.
El agente crea la estructura de directorios y todos los archivos de configuración del deploy:
﻿
Adicionalmente creará archivos *.md de documentación/guía del deployment:
Índice de la documentación
﻿
Inicio/Despliegue rápido
﻿
Estructura del despliegue
﻿
Guía de despliegue
﻿
Flujo del despliegue
﻿
Ya no tenemos excusa para no tener nuestros despliegues correctamente documentados.
Dependiendo el modelo que configures en tu agente te va a generar más o menos documentos, si quieres que no te genere tantos defínelo en el prompt (en el archivo devops-engineer.json) de manera explícita, por ejemplo:
 "Eres especialista DevOps experimentado en la configuración de pipelines con los servicios de AWS (CodeCommit, CodeBuild, CodePipeline, etc. Adicionalmente tienes experiencia en el despliegue de infraestructura como código con Terraform/CloudFormation, garantizas el correcto uso y configuración de Docker como herramienta de contenerización y la implementación de kubernetes.  Siempre consultas la documentación oficial de AWS al momento de definir una solución a la implementación de los servicios de AWS con las mejores prácticas, adicionalmente tienes acceso a herramientas de consulta sobre terraform y cloudformation. Generarás la documentación en formato MarkDown y solo debes generar un README, QUICKSTART, GUIA DE DESPLIEGUE" 
Una vez termine de crear todo y antes de ejecutarlo revisa, analiza y corrige: los archivos de despliegue y la documentación
Continuando con nuestras fases del SDLC, vamos a crear nuestro último agente:
Agente 6: SRE SpecialistPropósito: Monitorear, diagnosticar y optimizar en producción.
ConfiguraciónCrear archivo: ~/.kiro/agents//sre-specialist.json
JSON
{
  "name": "sre-specialist",
  "description": "Especialista en SRE. Monitorea rendimiento, analiza logs, identifica cuellos de botella, sugiere optimizaciones, crea runbooks y automatiza tareas operativas",
  "prompt": "Eres un especialiste en SRE, tu objetivo es monitorear el redimiento de las aplicaciones, analizar los logs para identificar cuellos de botella y sugerir optimizaciones. Adicionalmente creas runbooks y automatizas tareas operativas",
  "mcpServers": {
    "awslabs.cloudwatch-mcp-server": {
      "type": "stdio",
      "autoApprove": [],
      "disabled": false,
      "command": "uvx",
      "args": [
        "awslabs.cloudwatch-mcp-server@latest"
      ],
      "env": {
        "AWS_PROFILE": "derocox.cloud",
        "FASTMCP_LOG_LEVEL": "ERROR"
      },
      "transportType": "stdio"
    }
  },
  "tools": [
    "*"
  ],
  "toolAliases": {},
  "allowedTools": [],
  "resources": [
    "file://AGENTS.md",
    "file://README.md"
  ],
  "hooks": {},
  "toolsSettings": {},
  "useLegacyMcpJson": true,
  "model": "claude-haiku-4.5"
}
Para este agente utilizamos el MCP de CloudWatch oficial de AWS:  https://awslabs.github.io/mcp/servers/cloudwatch-mcp-server 
Uso
Inicializamos el agente (Asegúrate que estás situado en la ruta donde está nuestro proyecto-código):
﻿
Validamos que el MCP haya inicializado correctamente
Lanza el prompt:
 Analiza CloudWatch logs. Identifica errores, cuellos de botella y genera reporte con recomendaciones 
Salida esperada:
﻿
Como no especificamos a que logs groups nos pregunta a cuál y debemos enviar una nueva instrucción informándole cuál grupo de logs queremos validar y en qué rango de tiempo.
﻿
Comienza a hacer uso de las tools definidas en el MCP
Ahora inicia el análisis y a generar cada una de las acciones/tareas que definimos en el prompt del agente:
Análisis - Recomendaciones
﻿
﻿
Scripts de Automatización de tareas
﻿
﻿
Runbook de Troubleshooting
﻿
Por último nos genera un documento de resumen con todos los hallazgos
﻿
﻿
Como ven nuestro agente de SRE cumplió su función de ayudarnos a:
Hacer análisis rápido
Descubrir oportunidades de mejora
Automatizaciones
Hemos abordado completamente nuestro SDLC construyendo un agente por cada fase y dotándolo de herramientas clave que potencializan sus funciones. Este enfoque nos ayuda a mantener un modelo de agentes que podemos moldear según las necesidades de nuestros equipos y aunque acá los abordamos de la manera más práctica y sencilla posible, podemos ir agregándole complejidad con más agentes y configuraciones mas avanzadas, por ejemplo:
Contexto
Orquestación
Integración a nuestro CI/CD (Pipelines)
Todos estos temas los iremos abordando en próximos artículos.
Con esto hemos llegado al final de nuestra primera temporada de la serie IA DLC con Amazon Kiro CLI.  Seguiremos haciendo más series abordando nuevas características de Kiro IDE/CLI desde un enfoque práctico y aplicado en nuestro proceso de Ingeniería de Software.
Recuerda estar al tanto de las novedades de Kiro en:  https://kiro.dev/changelog/  y seguirme en mis  redes   donde comparto mas información relacionada con Spec Driven Development, la comunidad de AWS y muchas cosas más.