Il sito che ti spiega l'AI.
News, strumenti e guide in italiano.
Privacy e sicurezza

Microsoft Agent Framework su PyPI: due versioni false rubano credenziali

Due release false di agent-framework su PyPI hanno rubato credenziali Azure e GitHub in 33 minuti. Ecco cosa è successo e come proteggerti.

Daniele Della Corte
Novembre 18, 2026
Lettura: 6 min
Lucchetto digitale su sfondo di codice, simbolo di sicurezza della supply chain software
fonte: unsplash photo-1586661615438

Il 17 novembre 2026 due versioni false del pacchetto agent-framework, il meta-pacchetto del Microsoft Agent Framework, sono comparse su PyPI a distanza di 33 minuti l’una dall’altra. Dentro c’era un ladro di credenziali che si attivava ogni volta che Python si avviava, anche senza importare nulla. Se sviluppi o gestisci pipeline con agenti AI, questa storia ti riguarda da vicino.

Cosa è successo al pacchetto agent-framework su PyPI

Secondo l’analisi pubblicata dai ricercatori di Aikido, la versione 1.26.1 è stata caricata alle 20:35 UTC e la 1.26.2 alle 21:08 UTC. Entrambe sono state rimosse entro le 21:20 UTC e la 1.26.0, uscita cinque giorni prima, è tornata a essere l’ultima release disponibile. Il pacchetto conta circa 190.000 download al mese, quindi la finestra di esposizione, anche se breve, non è affatto irrilevante.

Il rischio non riguardava solo chi ha lanciato un pip install a mano. Bastava un requisito elastico come agent-framework>=1.26 in un progetto, in una build di CI o in un’immagine container ricostruita in quel lasso di tempo, e la versione compromessa veniva scaricata in automatico.

Una modifica pensata per passare inosservata

La 1.26.1 manteneva lo stesso README e lo stesso vincolo di dipendenza della 1.26.0, così un aggiornamento proposto da un bot di dipendenze sarebbe sembrato ordinario. Confrontando i pacchetti, i ricercatori hanno trovato due file nuovi e uno modificato. Hanno inoltre notato che la 1.26.1 era pubblicata solo come wheel, mentre la pipeline di Microsoft normalmente rilascia anche un archivio sorgente.

I file iniettati risultavano scrivibili da chiunque e il file WHEEL conservava la data originale. Questi indizi fanno pensare che qualcuno abbia aperto una wheel legittima, l’abbia modificata e l’abbia ricaricata. Lo stesso report precisa che l’upload è avvenuto con credenziali di pubblicazione valide, ma che come siano state ottenute non è ancora noto.

Su questo punto serve prudenza: al momento della scrittura non risulta una dichiarazione ufficiale di Microsoft riportata nell’analisi, quindi le cause restano da chiarire.

Come funzionava il ladro di credenziali

Il meccanismo sfruttava un file .pth, un tipo di file che Python legge all’avvio dell’interprete. Se contiene una riga di import, il codice viene eseguito subito. In pratica, in un ambiente infetto bastava lanciare pip o pytest per far partire il payload, che poi si staccava in un processo in background e impostava la variabile _AF_TEL per non rieseguirsi nei processi figli. Il tutto era avvolto in un blocco try/except per non mostrare errori.

Il codice non era sofisticato nell’infrastruttura, ma era molto mirato.

Che cosa veniva rubato

Il malware raccoglieva le variabili d’ambiente i cui nomi contengono termini come TOKEN, SECRET, KEY, AZURE, AWS, GITHUB, OPENAI e NPM. Leggeva anche l’ambiente di fino a 300 processi in esecuzione, un dettaglio importante perché può esporre segreti custoditi dall’agente di build stesso. Poi cercava file di credenziali: stato di Azure CLI, pip.conf, .npmrc, .netrc, .git-credentials, la configurazione di Docker, i token di Hugging Face, le credenziali degli agenti di Azure DevOps e i file .env presenti nelle cartelle di lavoro.

Nei sistemi Azure tentava inoltre di ottenere token di identità gestita per dodici risorse, tra cui Azure Resource Manager, Microsoft Graph, Key Vault, Azure Machine Learning e Azure AI Foundry, interrogando l’endpoint locale o il servizio di metadati dell’istanza. Nei flussi di Azure DevOps provava a richiedere un token OIDC partendo da SYSTEM_ACCESSTOKEN.

Le differenze tra 1.26.1 e 1.26.2

La seconda versione non era una semplice ripubblicazione. Il payload è stato spostato in un modulo di primo livello chiamato af_runtime_diag, il file __init__.py è tornato identico all’originale, il limite di file di credenziali letti è salito da 60 a 80 e il filtro sulle variabili ha aggiunto sigle come ACTIONS, OIDC, RUNNER e ARM_. Soprattutto, la 1.26.2 ha introdotto il furto dei token OIDC di GitHub Actions per i workflow con permesso id-token: write.

In sostanza, l’attaccante ha rifinito lo strumento in mezz’ora, mentre il pacchetto era ancora online.

Come uscivano i dati

I dati venivano serializzati in JSON, compressi, codificati in base64 e inviati con una richiesta POST a un URL di webhook.site, codificato a sua volta nel sorgente. Era una scelta comoda per chi attacca: nessuna infrastruttura propria da gestire e dati leggibili direttamente dalla pagina del servizio. Lo user agent era af-runtime-diagnostics/1 nella prima versione e runtime-diagnostics/1 nella seconda.

Perché riguarda tutto l’ecosistema degli agenti AI

Gli strumenti per costruire agenti vivono in ambienti ricchi di segreti: chiavi di modelli, token cloud, accessi a repository e a registri di pacchetti. Un framework per agenti installato in una pipeline di sviluppo è quindi un bersaglio perfetto, perché chi lo compromette si ritrova accanto proprio le credenziali più preziose. Il fatto che il pacchetto sia legato a un grande nome come Microsoft aumenta la fiducia, e con essa il danno potenziale.

Il tema della fiducia nei pacchetti non è nuovo. Ne avevamo parlato analizzando lo slopsquatting, in cui gli assistenti di codice suggeriscono pacchetti inventati che qualcuno può poi registrare davvero. Qui il meccanismo è diverso, perché il pacchetto è reale e legittimo, ma la sostanza è la stessa: la catena di fornitura del software è un anello debole.

C’è poi un filo che lega questa vicenda al lavoro sulla sicurezza guidata dall’AI. Pochi giorni fa abbiamo raccontato come Google abbia mostrato un framework che trasforma le patch in exploit, e come Codex abbia trovato la falla Java4Shell in OpenJDK. La velocità con cui le vulnerabilità vengono trovate e sfruttate sta aumentando, e le finestre di reazione si accorciano.

Anche il contesto aziendale conta. Microsoft e IBM puntano molto sulle piattaforme di agenti, come abbiamo visto con Imagine Enterprise, e più queste piattaforme entrano nei processi aziendali, più le loro dipendenze diventano infrastruttura critica da proteggere.

Cosa devi fare adesso

Se usi il Microsoft Agent Framework in Python, controlla subito l’esposizione. Il report suggerisce una sequenza di passi molto concreta.

  1. Verifica la versione installata con pip show agent-framework e cerca in site-packages, nelle cache di CI e nelle immagini container costruite dopo il 17 novembre i file agent_framework_meta.pth, af_runtime_diag.pth e af_runtime_diag.py.
  2. Fissa la versione 1.26.0 e ricostruisci gli ambienti coinvolti.
  3. Ruota ogni segreto raggiungibile: token di Azure DevOps, credenziali di service principal, token GitHub, npm, PyPI e Hugging Face, credenziali dei registri Docker e contenuto dei file .env.
  4. Controlla i log di accesso di Entra ID per service principal e credenziali federate usate da pipeline e workflow.
  5. Cerca nei log di proxy e DNS connessioni verso webhook.site.

Ricorda un punto decisivo: rimuovere il pacchetto impedisce nuove esecuzioni, ma non annulla i dati già inviati. Se un ambiente ha eseguito la versione compromessa, considera i suoi segreti come esposti.

Abitudini che riducono il rischio

Le dipendenze con intervalli aperti come >= sono comode, ma in una pipeline che gestisce credenziali sono un rischio. Un file di lock con hash verificati, un periodo di attesa prima di adottare versioni appena pubblicate e permessi minimi per i token di CI limitano molto i danni. Vale la pena anche separare le identità usate dalle build da quelle di produzione.

Nessuna di queste misure è nuova, ma questo episodio mostra quanto costi trascurarle.

Conclusioni

La vicenda di agent-framework dimostra che la sicurezza degli agenti AI parte da molto prima del modello: parte dalle librerie che li fanno funzionare. Restano da chiarire come siano state ottenute le credenziali di pubblicazione e quali organizzazioni abbiano davvero scaricato le versioni compromesse.

Il consiglio pratico è semplice: controlla oggi stesso le tue pipeline, ruota i segreti se hai dubbi e rivedi il modo in cui vengono aggiornate le dipendenze. Se vuoi restare aggiornato su queste storie, continua a seguirci: ne parleremo man mano che emergeranno nuovi dettagli.

Newsletter gratuita · ogni venerdì

Tutta l'AI della settimana, in 5 minuti, nella tua email

  • Le guide e le notizie della settimana, divise per rubrica
  • Solo ciò che conta, verificato e spiegato in italiano
  • Niente spam, ti cancelli con un clic

Daniele Della Corte
Rivisto e verificato da

Daniele Della Corte

Fondatore di IntelligenzaArtificiale.net · Consulente SEO e AI dal 2008

Prima della pubblicazione controlla fonti, numeri e nomi, e risponde personalmente di quello che leggi. Lavora con l'intelligenza artificiale da oltre 7 anni: ha fondato BeProud.ai e ha progettato la redazione di questo sito.

Consulenza AIVuoi applicare l'AI al tuo lavoro? Ti aiuto a scegliere cosa automatizzare e a realizzarlo.

Scopri la consulenza