Amazon integra SageMaker AI con Bedrock AgentCore per agenti multi‑modello

Amazon spiega come collegare endpoint OpenAI‑compatibili su SageMaker AI con il runtime di Amazon Bedrock AgentCore per portare in produzione workflow agentici multi‑modello senza riscrivere il framework esistente¹.

Il post parte da un ostacolo concreto: mescolare modelli foundation gestiti con modelli propri, ottimizzati per costo o dominio, senza cambiare l’impianto degli agenti. La proposta combina i punti di forza di entrambi gli ambienti. Gli agenti restano specializzati. Ogni agente usa il modello più adatto al compito. Il risultato è un’architettura dichiarata pronta per la produzione che offre ottimizzazione dei costi, residenza dei dati e flessibilità nella scelta dei modelli¹.

La guida mostra un percorso pratico: il deploy di Qwen 3.5 9B su Amazon SageMaker AI; l’integrazione di questo endpoint OpenAI‑compatibile in un sistema multi‑agente costruito con Strands Agents, insieme a modelli su Amazon Bedrock; la consegna dell’intero workflow al runtime di Amazon Bedrock AgentCore¹. L’obiettivo è integrare modelli differenti senza riscrivere gli agenti e mantenere la libertà di scegliere, per ogni compito, il modello più adatto in base a costo e dominio¹.

Il cuore tecnico riguarda l’integrazione. L’architettura collega tre percorsi di hosting dei modelli attraverso un unico punto in Amazon Bedrock, così che gli agenti possano invocare il modello corretto a seconda del compito¹. In questo schema, i modelli gestiti convivono con quelli serviti da SageMaker come endpoint OpenAI‑compatibili. Il focus resta sulle meccaniche di integrazione, non sul training: come far coesistere in modo operativo modelli residenti in ambienti differenti all’interno di un’unica esecuzione¹.

Un tassello chiave è l’osservabilità. Il post spiega come ottenere visibilità a livello di token dagli endpoint SageMaker. Strands non offre questa granularità di default. La guida mostra come esporre quel livello di tracciamento quando si usano agenti Strands che chiamano modelli serviti da SageMaker¹. La disponibilità di misure a grana fine rende più ispezionabili le interazioni modello‑agente in scenari complessi¹.

I benefici dichiarati sono puntuali. Si riducono i costi scegliendo, per ogni compito, il modello adeguato tra quelli su Bedrock e quelli personalizzati o più economici su SageMaker. Si controlla la residenza dei dati mantenendo, quando serve, modelli e dati in contesti governati su SageMaker. Si guadagna flessibilità perché non si riscrive il framework degli agenti per cambiare o aggiungere modelli. Il tutto avviene in un’architettura descritta come “production‑ready” e con deployment gestito del runtime di AgentCore¹.

Il caso Qwen 3.5 9B funge da dimostrazione. Il modello, servito su SageMaker, entra in un sistema Strands che lavora anche con modelli su Bedrock. La consegna al runtime di AgentCore chiude il cerchio: lo stesso workflow viene eseguito in un contesto gestito, mantenendo le scelte di costo, di residenza e di selezione tra modelli definite a monte¹.

Per chi usa Strands, il passaggio sull’osservabilità a livello di token dagli endpoint SageMaker colma un vuoto operativo e abilita la misurazione fine delle chiamate quando si integrano modelli su SageMaker con modelli su Bedrock all’interno del runtime di AgentCore¹.