{"id":8928,"date":"2026-11-16T16:15:17","date_gmt":"2026-11-16T15:15:17","guid":{"rendered":"https:\/\/blog.besharp.it\/?p=8928"},"modified":"2026-11-16T16:54:35","modified_gmt":"2026-11-16T15:54:35","slug":"sul-mio-computer-funzionava-tips-tricks-per-agentcore-in-produzione","status":"publish","type":"post","link":"https:\/\/blog.besharp.it\/it\/sul-mio-computer-funzionava-tips-tricks-per-agentcore-in-produzione\/","title":{"rendered":"Sul mio computer funzionava\u2026 tips & tricks per AgentCore in produzione"},"content":{"rendered":"\n
Quante persone hai sentito dire \u201cMi sono scritto un agente in locale che mi automatizza questo processo\u2026\u201d, \u201cL\u2019altra sera non sapevo cosa fare e ho fatto un agente in locale che fa questa cosa fighissima\u2026\u201d, ma quanti di loro hanno provato a portare un agente in produzione su un cloud provider con successo? <\/p>\n\n\n\n
Noi ci abbiamo provato e, un bel giorno durante i test, il nostro agente ha risposto a una domanda con un grafico impeccabile: titolo perfetto, assi con le scale giuste, legenda chiara, tutto come dovrebbe essere. Peccato che i dati visualizzati non esistessero: il tool che genera i grafici era fallito e il modello, invece di ammetterlo, aveva scritto una risposta plausibile senza riportare alcun messaggio d\u2019errore.<\/p>\n\n\n\n
Portare un agente in produzione non significa solo preparare un buon prompt e collegare qualche tool ben scritto in clean code<\/em>, bens\u00ec richiede una serie di accortezze non banali. <\/p>\n\n\n\n Bisogna decidere dove gira, come scala, come mantiene la memoria tra un turno e l\u2019altro nel caso in cui l\u2019applicazione sia un chatbot, chi autorizza l\u2019agente a chiamare cosa e, per ultimo non per importanza, come capire perch\u00e9, ogni tanto, risponde in modo strano. <\/p>\n\n\n\n AWS risolve, pi\u00f9 o meno, tutti i nostri problemi con Amazon Bedrock AgentCore<\/a><\/strong>. A ottobre 2025 viene rilasciata in versione stabile questa suite di servizi indipendenti dal framework di orchestrazione e dal modello utilizzato. Il punto chiave \u00e8 proprio la modularit\u00e0: non serve adottarla tutta, si pu\u00f2 decidere di usare solo i servizi necessari per lo specifico caso d\u2019uso.<\/p>\n\n\n\n I servizi principali sono: Negli ultimi mesi la suite \u00e8 cresciuta parecchio introducendo: Il caso d\u2019uso che abbiamo deciso di implementare come progetto per utilizzare la suite \u00e8 un chatbot con vari tool a disposizione che permettono all\u2019agente di:<\/p>\n\n\n\n L\u2019architettura, in breve:<\/p>\n\n\n\n Davanti a tutto c\u2019\u00e8 un\u2019applicazione web costituita da CloudFront, API Gateway e una Lambda in response streaming che inoltra al browser lo stream SSE dell\u2019agente.<\/p>\n\n\n\n Abbiamo deciso di utilizzare Langfuse per osservabilit\u00e0, tracciamento dei costi e gestione dei prompt, al posto dell\u2019Observability nativa. Se vuoi approfondire il tema ne abbiamo parlato in Your Bill is Not An Observability Tool. All\u2019inizio il sub-agent dei grafici con la libreria Plotly restituiva l\u2019intera figura all\u2019orchestratore finendo nel contesto e veniva salvata in memoria. Ogni turno successivo si portava dietro migliaia di token inutili. Allo stesso modo anche i dati recuperati da S3 venivano propagati nel contesto dell\u2019orchestratore.<\/p>\n\n\n\n Oggi il tool di generazione dei grafici salva il risultato su uno storage d\u2019appoggio (e perch\u00e9 proprio un bucket S3?) e restituisce solo la key di quell\u2019oggetto all\u2019orchestratore. Lo stesso vale per i risultati delle query: il CSV completo finisce anche lui in un bucket S3, e al modello arrivano l\u2019identificativo, lo schema delle colonne e un\u2019anteprima di poche righe. \u00c8 il frontend a recuperare il contenuto: passa l\u2019identificativo al layer API che legge l\u2019oggetto da S3. Questo permette di avere:<\/p>\n\n\n\n Ricordi il bellissimo grafico con i dati inventati di cui ti avevo parlato? Il sub-agent dei grafici aveva l\u2019istruzione di restituire il risultato del tool cos\u00ec com\u2019era. Quando per\u00f2 la generazione falliva pi\u00f9 volte, il modello non riportava l\u2019errore: scriveva una risposta plausibile con dati inventati. Una buona scelta \u00e8 quella di avere runtime separati per agente e tool, ognuno con il proprio ruolo IAM. I vantaggi sono due:<\/p>\n\n\n\n Il tool delle query legge i dati sorgente e scrive nel bucket dei dati recuperati. Il tool dei grafici legge gli export e scrive solo nel bucket dei grafici. Solo il runtime che ospita l\u2019MCP che contiene la logica di interrogazione al RAG pu\u00f2 invocare il modello di embedding per trasformare la query dell\u2019utente in un vettore con cui interrogare la knowledge base. <\/p>\n\n\n\n Nella trust policy dei ruoli aggiungi sempre le condition aws:SourceAccount<\/em> e aws:SourceArn<\/em>, per proteggerti dal problema del confused deputy,<\/a> situazione in cui una risorsa AgentCore di un altro account potrebbe indurre il servizio ad assumere il tuo ruolo per suo conto.<\/p>\n\n\n\n I nostri server MCP sono stateless e girano in streamable HTTP. Il lavoro bloccante (query DuckDB, rendering dei grafici) va spostato fuori dall\u2019event loop: Sembra un dettaglio banale ma con pi\u00f9 sub-agent che chiamano tool in parallelo si vede subito la differenza: senza il lancio di thread differenti una query lenta bloccherebbe tutte le altre servite sullo stesso processo. Quando un tool fallisce, \u00e8 utile restituire l\u2019errore al sub-agent invece di interrompere il flusso: il modello lo legge, capisce cosa ha sbagliato e riprova. Perch\u00e9 funzioni, l\u2019errore va scritto per il modello, non per chi legge i log.<\/p>\n\n\n\n Un esempio dal nostro progetto: se il codice del grafico usa una colonna che non esiste, il tool risponde con l\u2019errore e con l\u2019elenco delle colonne disponibili. Al tentativo successivo il sub-agent quasi sempre si corregge da solo. Allo stesso modo, una ricerca senza risultati non \u00e8 un errore: \u00e8 una risposta valida, con zero elementi.<\/p>\n\n\n\n Ricordati per\u00f2 di mettere un limite ai tentativi, nel prompt o nel codice, cos\u00ec un tool che continua a fallire non diventa un ciclo infinito che consuma token.<\/p>\n\n\n\n Su una risorsa Memory si configura una scadenza degli eventi, nel nostro caso d\u2019uso abbiamo impostato 7 giorni. Non \u00e8 solo una questione di costi di storage ma anche il limite oltre il quale l\u2019utente che usa il chatbot non pu\u00f2 pi\u00f9 recuperare una conversazione, il comportamento della UI dipende da quello che \u00e8 presente nella memoria.<\/p>\n\n\n\n Nel nostro setup l\u2019agente \u00e8 invocato dal backend con credenziali IAM, non vede quindi l\u2019utente finale e si fida di quello che trova nel payload. Per questo l\u2019actor_id<\/em>, usato da AgentCore Memory per partizionare le conversazioni, non deve mai arrivare dal client. Basterebbe modificare una richiesta inserendo l\u2019actor_id<\/em> di un altro utente per leggere la memoria e le sue precedenti chat, o consumare la sua quota di token \/ richieste a disposizione sull\u2019applicativo. <\/p>\n\n\n\n Nel nostro caso l\u2019API verifica il JWT Cognito, ne estrae il claim sub e lo scrive nel payload, sovrascrivendo qualunque valore inviato dal frontend. Solo dopo invoca InvokeAgentRuntime<\/em>. L\u2019id della conversazione pu\u00f2 invece arrivare dal frontend. L\u2019isolamento tra utenti lo garantisce la partizione per actor_id<\/em>, non la segretezza dell\u2019id di sessione.<\/p>\n\n\n\n Prima di costruire il grafo ed invocare il modello, facciamo alcuni controlli che non costano nulla. Il pi\u00f9 semplice \u00e8 un limite alla lunghezza del messaggio dell\u2019utente: noi lo abbiamo fissato a 4000 caratteri. Un input enorme \u00e8 quasi sempre un errore, oppure un tentativo di abuso, e bloccarlo subito evita di pagare token per una richiesta che non porterebbe a niente.<\/p>\n\n\n\n Allo stesso modo, quando l\u2019agente supera il numero massimo di passi (il recursion limit di LangGraph), l\u2019utente non riceve un errore generico ma un messaggio chiaro, che suggerisce di restringere la domanda. Il turno viene chiuso in modo pulito, senza lasciare tool call orfane nel checkpointer (ne parliamo nel prossimo capitolo).<\/p>\n\n\n\n Quando metti in piedi uno stream SSE, il traffico attraversa una catena parecchio lunga: browser, CDN, API Gateway, Lambda, Runtime e infine il Gateway MCP. Ognuno di questi pezzi ognugno ha il suo timeout di inattivit\u00e0 e basta che uno abbia problemi per far cadere tutto. Nel nostro caso il collo di bottiglia era CloudFront: se un tool restava in silenzio per pi\u00f9 di 60 secondi mentre elaborava una query o un grafico, la connessione veniva troncata di netto. Prima di toccare i parametri di AgentCore, conviene sempre mappare l’intero percorso e capire chi ha il timeout pi\u00f9 stretto.<\/p>\n\n\n\n Cosa succede se un’esecuzione salta mentre l’agente sta aspettando un tool, magari per un timeout, un recursion limit o un’eccezione imprevista? Succede che il checkpointer salva la history a met\u00e0: resta registrato un messaggio con una tool_use, ma senza la tool_result corrispondente. Al messaggio successivo dell’utente, Bedrock legge quella cronologia incoerente, la rifiuta e la chat diventa di fatto inutilizzabile. Per evitarlo, abbiamo dovuto intercettare gli errori e chiudere esplicitamente tutte le chiamate pendenti prima di uscire. Fai una modifica a un server MCP, aggiungi un parametro a un tool, lanci il redeploy e ti aspetti che funzioni tutto. Invece no: il Gateway pu\u00f2 continuare a servire la vecchia definizione dello schema, portando l\u2019agente a invocare il tool con la firma sbagliata. Per non doverci ricordare di riallineare tutto a mano, abbiamo risolto alla radice con una custom resource CDK che invoca SynchronizeGatewayTargets ogni volta che rileva un cambio di versione del Runtime MCP. Un Runtime in VPC crea delle ENI nelle subnet. Quando lo cancelli, AgentCore pu\u00f2 lasciarle in giro per diverse ore. Se il security group \u00e8 nello stesso stack del Runtime, la cancellazione dello stack si blocca perch\u00e9 il security group risulta ancora in uso. La soluzione \u00e8 mettere il security group in uno stack di infrastruttura \u201cbase\u201d che non cancelli mai insieme ai Runtime.<\/p>\n\n\n\n C’\u00e8 infine un dettaglio importante legato al naming. Attraverso il Gateway, i tool vengono esposti con il nome del target come prefisso, nel formato ___. Fin qui tutto bene, ma se il nome del target contiene l\u2019ambiente (dev, qa, prod), lo stesso identico tool finir\u00e0 per avere un nome diverso in ogni stage. Il risultato \u00e8 che prompt, filtri o logiche applicative basate sul nome del tool si rompono nel silenzio pi\u00f9 totale. Per fortuna basta una piccola funzione per ripulire il prefisso e normalizzare i nomi:<\/p>\n\n\n\n AgentCore ci ha tolto di mezzo la gestione dell\u2019infrastruttura dell\u2019agente. Runtime, Memory, Gateway e Identity ci hanno dato isolamento, persistenza delle conversazioni e un punto unico di accesso ai tool, senza un database delle sessioni o un proxy da gestire.<\/p>\n\n\n\n Quello che la piattaforma non pu\u00f2 fare al posto tuo \u00e8 progettare il sistema end-to-end. I problemi pi\u00f9 costosi che abbiamo incontrato non erano dentro AgentCore, ma ai confini:<\/p>\n\n\n\n Il nostro consiglio \u00e8 partire dai servizi che risolvono un problema concreto, affiancarli agli strumenti che gi\u00e0 usi e aggiungere il resto quando serve. La suite cresce in fretta: vale la pena tenere d\u2019occhio le release notes,<\/a> perch\u00e9 qualcosa che oggi ti sviluppi custom in casa, domani potrebbe essere una feature gestita \ud83d\ude09<\/p>\n\n\n\n E tu? Stai portando un agente in produzione, o ci stai pensando? Raccontaci nei commenti quali problemi hai incontrato, magari diversi dai nostri: siamo curiosi di sapere qual \u00e8 quella parte del progetto che \u201csul mio PC funzionava\u201d. E se stai valutando AgentCore per un tuo progetto e vuoi confrontarti con chi ci \u00e8 gi\u00e0 passato non esitare a scriverci!<\/p>\n\n\n\n
– Runtime<\/strong>: come dice il nome stesso, \u00e8 il runtime serverless per ospitare agenti e server MCP, con isolamento per sessione. Supporta i protocolli HTTP, MCP e A2A ed \u00e8 possibile istanziarlo pubblico o in VPC.
– Gateway<\/strong>: trasforma API e servizi esistenti in tool utilizzabili dall\u2019agente. Pu\u00f2 esporre server MCP esistenti, Lambda, API OpenAPI e altri target, con autenticazione centralizzata.
– Memory<\/strong>: la memoria short-term per le conversazioni multi-turno e long-term per conservare informazioni tra sessioni.
– Identity<\/strong>: gestione dell\u2019identit\u00e0 degli agenti e delle credenziali verso servizi terzi (OAuth2, API key), compatibile con IdP come Cognito, Okta ed Entra ID.
– Code Interpreter<\/strong> e Browser<\/strong>: sandbox gestite per eseguire codice e navigare il web.
– Observability<\/strong>: tracing e metriche compatibili con OpenTelemetry, integrati in CloudWatch.<\/p>\n\n\n\n
– Harness<\/strong>: un loop agentico gestito, invocabile con una singola chiamata API.
– Evaluations<\/strong> e Optimization<\/strong>: valutazione automatica degli agenti, batch evaluation, raccomandazioni su prompt e descrizioni dei tool, A\/B testing.
– Policy<\/strong>: regole deterministiche, scritte in un linguaggio compatibile con Cedar, che il Gateway applica a ogni tool call.
– Registry<\/strong>: un catalogo centralizzato di agenti, server MCP e skill.
In questo articolo esploriamo l’uso di AgentCore in un caso concreto, condividendo le lezioni apprese e alcuni accorgimenti pratici per semplificare il lavoro quotidiano e la gestione dell’infrastruttura.
<\/p>\n\n\n\nIl nostro caso d\u2019uso<\/h2>\n\n\n\n
\n
\n
<\/li>\n\n\n\n
<\/li>\n\n\n\n
<\/li>\n\n\n\n
<\/li>\n\n\n\n
<\/p>\n\n\n\n
<\/figure>\n\n\n\nTips & tricks<\/h2>\n\n\n\n
I payload pesanti non passano dall\u2019LLM<\/h2>\n\n\n\n
\n
Non fidarti di quello che il sub-agent dice di aver fatto<\/h2>\n\n\n\n
La soluzione \u00e8 smettere di fidarsi del testo del modello. A fine esecuzione il codice del sub-agent cerca nella history un risultato valido restituito dal tool. Se c\u2019\u00e8, passa all\u2019orchestratore quello. Se non c\u2019\u00e8, passa l\u2019ultimo errore. Il testo scritto dal modello non arriva mai all\u2019orchestratore come risultato.
<\/p>\n\n\n\nUn Runtime per ogni server MCP, un ruolo IAM per ogni Runtime<\/h2>\n\n\n\n
\n
Server MCP stateless e niente blocchi sull\u2019event loop<\/h2>\n\n\n\n
<\/p>\n\n\n\nmcp = FastMCP(host=\"0.0.0.0\", stateless_http=True)\n\n@mcp.tool()\nasync def run_query(sql: str) -> dict:\n # Blocking I\/O off the event loop, so concurrent calls don't queue up\n return await asyncio.to_thread(execute_readonly_sql, sql)<\/code><\/pre>\n\n\n\n
<\/p>\n\n\n\nGli errori dei tool sono parte del prompt<\/h2>\n\n\n\n
La scadenza della Memory \u00e8 una scelta di UX<\/h2>\n\n\n\n
L\u2019identit\u00e0 dell\u2019utente la decide il backend<\/h2>\n\n\n\n
Un controllo di sicurezza in pi\u00f9 non guasta mai<\/h2>\n\n\n\n
Cinque lezioni imparate sul campo (a nostre spese)<\/h2>\n\n\n\n
1. Il timeout lo decide l\u2019hop pi\u00f9 stretto, e non \u00e8 AgentCore<\/h2>\n\n\n\n2. Un run time interrotto interrompe l’interna catena<\/h2>\n\n\n\n
<\/p>\n\n\n\n3. Gli schemi dei tool sul Gateway non si aggiornano da soli<\/h2>\n\n\n\n
<\/p>\n\n\n\n4. Le ENI dei Runtime in VPC<\/h2>\n\n\n\n
5. Il Gateway rinomina i tool<\/h2>\n\n\n\n
def base_tool_name(name: str) -> str:\n # Gateway exposes tools as \"<target>___<tool>\"\n return name.rsplit(\"___\", 1)[-1]<\/code><\/pre>\n\n\n\nConclusioni<\/h2>\n\n\n\n
\n
\n\n\n\nAbout Proud2beCloud<\/h4>\n\n\n\n