Amazon Bedrock AgentCore na Prática: Como Colocar Agentes de IA em Produção na AWS

Eduardo Souza | CEO Dominit

Construir um protótipo de agente de IA que funciona numa demonstração é relativamente simples. Colocar esse mesmo agente em produção — com segurança, memória persistente, observabilidade e capacidade de escalar milhares de sessões simultâneas — é um problema completamente diferente, que a maioria dos frameworks de agentes não resolve sozinha. O Amazon Bedrock AgentCore existe exatamente para essa lacuna. Neste guia avançado, você vai entender os componentes centrais do AgentCore, como eles resolvem os problemas reais de colocar um agente em produção, e como isso se conecta ao restante do ecossistema de IA generativa da AWS.

O Problema Que o AgentCore Resolve: da Demonstração à Produção

Um agente de IA funcional em ambiente de desenvolvimento geralmente resolve um subconjunto pequeno dos problemas reais de produção: como manter contexto de conversa entre sessões sem reconstruir tudo a cada interação, como dar ao agente identidade e permissão segura para agir em nome de um usuário específico, como rastrear e depurar decisões que o agente tomou de forma autônoma, e como escalar de um usuário de teste para milhares de sessões simultâneas sem reescrever a arquitetura inteira.

O Amazon Bedrock AgentCore, disponível de forma geral desde outubro de 2025, é a resposta da AWS a esse conjunto de problemas — um runtime e um conjunto de serviços complementares desenhados especificamente para agentes de IA em produção, não uma adaptação de infraestrutura genérica de aplicação web.

AgentCore Runtime: a Base de Execução de Agentes em Produção

O AgentCore Runtime é o serviço central que executa o código do agente de forma gerenciada e escalável. Diferente de hospedar um agente numa função Lambda genérica, o Runtime foi desenhado especificamente considerando os padrões de uso de agentes de IA: sessões que podem durar mais tempo que uma requisição HTTP tradicional, necessidade de executar comandos ou código de forma controlada, e integração nativa com sistema de arquivos externo (Amazon S3 Files, Amazon EFS) para agentes que precisam ler ou escrever arquivos como parte de sua tarefa.

Atualizações recentes expandiram significativamente o que o Runtime suporta nativamente: execução de comandos shell dentro de uma sessão ativa, suporte a Node.js além de Python para deploy direto de código, e cotas de concorrência que já suportam milhares de sessões simultâneas nas regiões principais da AWS — um sinal claro de que a AWS está tratando este runtime como infraestrutura de produção séria, não como recurso experimental.

AgentCore Identity: Dando ao Agente uma Identidade Própria e Segura

Um dos problemas de segurança mais subestimados em sistemas de agentes é tratar o agente como uma extensão indiferenciada da aplicação, sem identidade própria — o que dificulta auditoria e aplica o mesmo problema de permissão excessiva que já vimos em IAM mal configurado, agora replicado para um sistema que toma decisões autônomas.

O AgentCore Identity resolve isso atribuindo uma identidade distinta a cada agente, com integração nativa a provedores de identidade já usados pela empresa (Okta, Microsoft Entra ID, Amazon Cognito). Isso permite que o agente aja em nome de um usuário específico sem herdar permissões amplas, e que cada ação do agente seja auditável de volta a uma identidade específica — a mesma disciplina de menor privilégio e Zero Trust que já deveria existir para qualquer outro componente do sistema, aplicada especificamente ao contexto de um agente autônomo.

AgentCore Gateway: Conectando Agentes a Ferramentas Corporativas

Agentes de IA só geram valor real quando conseguem agir sobre sistemas reais — consultar um CRM, atualizar um registro, chamar uma API interna. O AgentCore Gateway resolve o problema de expor ferramentas corporativas para agentes de forma padronizada e segura, sem que cada integração precise ser construída do zero como um caso especial.

O Gateway funciona em conjunto com os demais componentes do AgentCore — Runtime, Identity, Memory, Observability — formando um domínio coeso para construir e escalar aplicações de agentes, em vez de cada peça (execução, identidade, memória, ferramentas, monitoramento) exigir uma solução isolada e desconectada das demais.

AgentCore Memory: Contexto Persistente Sem Reconstruir Tudo a Cada Sessão

Um agente sem memória persistente trata cada interação como se fosse a primeira — o que é aceitável para tarefas simples e pontuais, mas quebra completamente a experiência em casos de uso que exigem contexto contínuo (um assistente que lembra preferências de um usuário, ou um agente que precisa manter estado de uma tarefa de múltiplas etapas ao longo de várias sessões).

O AgentCore Memory gerencia tanto memória de curto prazo (contexto dentro de uma sessão ativa) quanto de longo prazo (contexto que persiste entre sessões diferentes), com métricas próprias de criação, recuperação e performance dessas operações — permitindo que a equipe monitore não só se o agente está respondendo, mas se a camada de memória está funcionando de forma saudável.

AgentCore Observability: Enxergando Como o Agente Realmente Decide

Depurar um agente autônomo é estruturalmente diferente de depurar uma aplicação tradicional: o comportamento não é definido por um fluxo de código fixo, é resultado de um processo de raciocínio do modelo que pode variar entre execuções. O AgentCore Observability oferece rastreamento nativo das etapas de raciocínio do agente, chamadas de ferramentas e interações com o modelo, com dados disponíveis por padrão no Amazon CloudWatch.

Isso dá visibilidade real ao processo de tomada de decisão do agente — essencial tanto para depurar um comportamento inesperado quanto para auditoria, especialmente em setores onde é preciso justificar por que um agente tomou uma decisão específica, não apenas qual foi o resultado final.

Protocolos Abertos: MCP e AG-UI no AgentCore

O AgentCore vem incorporando suporte a protocolos abertos do ecossistema de agentes de IA, não apenas APIs proprietárias da AWS: suporte a servidores MCP (Model Context Protocol) com estado, permitindo que servidores MCP implantados no AgentCore Runtime colecionem input do usuário interativamente durante a execução de uma ferramenta, solicitem conteúdo gerado por modelo, e forneçam atualizações de progresso em tarefas longas; e suporte ao protocolo AG-UI (Agent-User Interaction), que permite construir experiências de agente responsivas e em tempo real voltadas a aplicações com usuário final.

Essa aposta em protocolos abertos, em vez de um modelo fechado proprietário, reduz o risco de acoplamento excessivo à AWS para equipes que constroem agentes usando ferramentas e frameworks de terceiros — o AgentCore atua como camada de execução e produção, não como o único jeito de definir a lógica do agente.

Onde o AgentCore se Conecta ao Restante do Ecossistema de IA da AWS

O AgentCore não existe isolado — ele é a peça que fecha o ciclo entre desenvolver e operar agentes de IA na AWS. Modelos consumidos via AWS Bedrock alimentam o raciocínio do agente; ferramentas como o Kiro podem ser usadas para desenvolver o código do agente com apoio de especificações revisáveis; e o AgentCore assume a responsabilidade de rodar esse agente com a segurança, memória e observabilidade que produção exige.

Essa integração é o argumento mais forte a favor do AgentCore para empresas já operando dentro do ecossistema AWS: em vez de montar uma stack própria de execução, identidade, memória e observabilidade para agentes — replicando trabalho que a AWS já resolveu — a empresa herda essas capacidades prontas, com a mesma disciplina de segurança que já aplica ao resto da conta.

Como Avaliar se Sua Empresa Está Pronta Para Colocar Agentes em Produção

Antes de investir em uma arquitetura completa de agentes com AgentCore, algumas perguntas ajudam a calibrar maturidade real:

O caso de uso já foi validado como piloto? — AgentCore resolve o problema de produção, não o problema de validar se o caso de uso de IA generativa faz sentido para o negócio; esse trabalho de validação deveria vir antes, geralmente através do AWS Bedrock em modo mais exploratório.

Existe clareza sobre que ferramentas o agente precisa acessar? — o valor do AgentCore Gateway depende de saber quais sistemas corporativos o agente realmente precisa tocar; sem essa clareza, a integração de ferramentas vira trabalho especulativo.

A equipe tem disciplina de observabilidade já estabelecida em outros sistemas? — empresas que já praticam observabilidade madura em sistemas tradicionais tendem a adotar AgentCore Observability com mais eficácia do que empresas para quem esse seria o primeiro sistema com esse nível de rastreamento.

Perguntas Frequentes Sobre Amazon Bedrock AgentCore

O que é o Amazon Bedrock AgentCore, em termos simples?

É um conjunto de serviços da AWS (Runtime, Identity, Gateway, Memory, Observability) desenhado especificamente para rodar agentes de IA em produção com segurança, memória persistente e visibilidade sobre o processo de decisão do agente — diferente de hospedar um agente numa infraestrutura genérica de aplicação.

Preciso usar o Kiro ou o Bedrock para usar o AgentCore?

Não é obrigatório, mas os três produtos se complementam dentro do ecossistema AWS: Bedrock fornece os modelos, Kiro pode ser usado para desenvolver o código do agente, e AgentCore assume a execução em produção — cada peça pode ser usada de forma independente também.

O que é o AgentCore Identity e por que ele é importante?

Atribui identidade própria a cada agente, integrada a provedores de identidade corporativos, permitindo auditoria de ações do agente e evitando que ele herde permissões amplas demais — a mesma disciplina de menor privilégio recomendada para qualquer identidade na AWS.

AgentCore funciona com frameworks de agentes de terceiros?

Sim — o suporte a protocolos abertos como MCP e AG-UI permite que agentes construídos com ferramentas e frameworks de terceiros rodem no AgentCore Runtime, em vez de exigir um modelo de desenvolvimento totalmente proprietário da AWS.

Como o AgentCore lida com memória de longo prazo entre sessões diferentes?

O AgentCore Memory gerencia tanto contexto de curto prazo (dentro de uma sessão) quanto de longo prazo (persistente entre sessões), com métricas próprias de criação, recuperação e performance dessas operações de memória.

AgentCore Como a Peça Que Faltava Entre o Piloto e a Produção

O Amazon Bedrock AgentCore não compete com Bedrock ou com ferramentas de desenvolvimento de agentes — ele resolve o problema que aparece depois que o piloto de IA generativa já provou valor e a empresa precisa decidir como rodar isso com a mesma seriedade operacional que qualquer outro sistema crítico exige: identidade, memória, observabilidade e segurança, não como camadas adicionadas depois, mas como parte da própria infraestrutura de execução.

As empresas que tratam a transição de piloto para produção de agentes de IA com o mesmo rigor que já aplicam a qualquer outro sistema em produção são as que conseguem escalar agentes como parte real da operação, em vez de mantê-los permanentemente como experimento que nunca sai do estágio de demonstração.