Parcha-ai가 GitHub에 AgentRun을 오픈소스로 공개했고, 공개 첫날 Hacker News 1면에 올랐다. 핵심思路는 한 문장으로 정리된다. 에이전트가 실행하면서 남기는 traces를 역으로 활용해 DSL이 자동으로 workflow를 생성하며, 설계자가 먼저 그래프를 그리고 나서 에이전트를 돌리는 방식이 아니다.
즉, AgentRun은 "전부 에이전트화"를 지향하지 않고, "고정화할 수 있는 단계는 agent loop 바깥에서 돌리라"는 입장이다.
AgentRun이 실제로 겨냥하는 문제
지난 1년 동안 너무 많은 agent 데모를 봤다. 시작부터 자유롭게 뛰게 하려고 GPT-4o를 던져 넣고, 작업을 한 번 돌리는데 토큰이 수천 개 나가며 그 대부분이 "도구를 호출할지 말지"를 생각하는 데 쓰인다. 결과는 다음과 같다.
- 작업 한 번당 비용이 수십~수백 원 수준이고, 1000번 돌리면 수십만 원이다.
- 같은 입력인데 다음 번 실행 결과가 달라질 수 있다.
- 에러가 나면 tool call 로그 뭉치를 들여다보면서 "이게 뭘 하려고 한 거지"를 추측해야 한다.
AgentRun의 반(反)합의 입장은 README 첫 문단에 적혀 있다. "figure out which parts can become a workflow"——어떤 단계가 충분히 고정적이어서 agent loop 없이 단독으로 돌아갈 수 있는지 파악하라는 의미다. 해당 부분은 매번 다시 추론하게 두지 않는다.
네 가지 노드: tool calls / code / system one / agent
AgentRun의 DSL은 노드를 4종류로 나눈다. 이 설계의 핵심은 "agent 프레임워크가 또 하나 늘었다"가 아니라, 모든 단계에 LLM이 필요한 건 아니라는 사실을 인정한다는 점이다.
# AgentRun README 발췌
# 연구형 workflow의 단순화 버전
from agentrun import AgentRun, ToolCall, Code, SystemOne, Agent
flow = AgentRun(
nodes=[
ToolCall(
name="split_question",
description="연구 질문을 하위 질문으로 분해",
deterministic=True # LLM 호출 없이 규칙으로 분해
),
Code(
name="filter_subquestions",
script="""
# 심층 조사가 필요한 하위 질문만 유지
return [q for q in subquestions if q.depth > 2]
"""
),
SystemOne(
name="evidence_router",
description="Jev-powered 라우팅: 어떤 증거가 관련 있는지 결정적으로 판별"
),
Agent(
name="deep_researcher",
model="claude-sonnet-4.5",
prompt="당신은资深 연구원으로, 하위 질문을 기반으로 심층 답변을 제시한다"
)
],
edges=[
("split_question", "filter_subquestions"),
("filter_subquestions", "evidence_router"),
("evidence_router", "deep_researcher")
]
)
두 가지 노드를 짚어두면:
- Jev-powered system one decisions: 결정적 라우팅과 증거 필터링을 LLM 호출 없이 수행한다. "이 검색 결과가 현재 하위 질문과 관련이 있는가" 같은 판단은 embedding 유사도 + 규칙이면 충분하며, 매번 대형 모델을 추론하게 만들 필요가 없다. 이런 능력이 대부분의 workflow 도구에는 빠져 있다. LangGraph는 그래프를 그려주고, Dify는 LLM을 붙여주지만, 어떤 노드는 애초에 LLM을 붙이면 안 된다고 말해 주는 도구는 없었다.
- Code 노드: LLM을 거치지 않고 Python/Rust를 직접 실행한다. 순수 데이터 처리, 포맷 변환, 필터링에 적합하다.
tool calls와 완전한 agent는 모두가 익숙하므로 여기서는 다루지 않는다.
Traces가 DSL을 다시 채운다: 핵심 설계
AgentRun에서 가장 의외였던 부분은 역방향 루프다.
- 먼저 agent를 자유롭게 한 배치 돌린다.
- 실행이 끝나면 traces와 retro notes(회고 주석)가 남는다.
- harness가 traces를 분석해서 어떤 하위 단계가 "충분히 고정적"인지 식별한다.
- 그 부분을 결정적인 workflow 노드로 자동 승격한다.
README 원문 그대로: "uses the traces and retro notes agents leave behind to figure out which parts can become a workflow".
이는 하향식이 아닌 상향식 workflow 생성이다.
기존 방식과 비교하면:
| 방식 | 흐름 | 고통 지점 |
|---|---|---|
| 전통 workflow (LangGraph 등) | 설계자가 그래프 작성 → 코드 구현 → 실행 → 튜닝 | 흐름을 바꿀 때마다 재작성 필요 |
| 전통 agent loop | LLM이 스스로 계획하도록 둠 | 비싸고, 느리고, 설명 불가 |
| AgentRun | agent를 일단 자유롭게 실행 → traces가 역으로 채움 → 자동 하강 | 시작은 빠르고 점차 수렴 |
작년에는 LangGraph로 고객 상담 분류 workflow를 작성한 적이 있는데, "의도 인식 → 라우팅 → 회신 템플릿 선택" 세 노드만 두 주 가까이 튜닝했다. AgentRun의 방식은 최소한 첫 단계인 "그래프 그리기"를 생략해 준다. agent를 100번 돌려 보고, 어느 부분이 실제로 안정적인지를 확인하면 된다.
비용 계산: 어떤 구간을 하강시킬 가치가 있는가
README에 나오는 연구형 workflow를 예로 들어 본다.
완전한 agent loop로 10개 하위 질문을 처리하는 경우:
- 루프 한 번 = 시스템 프롬프트 + 도구 정의 + 히스토리 + 출력 ≈ 8k tokens 입력
- 10번 루프 = 80k tokens
- Claude Sonnet 4.5 가격(약 $3/1M input) 기준, 작업 한 번의 입력 비용만 $0.24
workflow로 분리한 후:
- 하위 질문 분해: code 노드, Python 몇 줄 ≈ 500 tokens
- 하위 질문 필터링: 순수 규칙, 0 tokens
- 증거 라우팅: system one(embedding), ≈ 200 tokens
- 3개의 심층 하위 질문에만 완전한 agent 실행: 3 × 8k = 24k tokens ≈ $0.072
절감 ≈ 70%. Hacker News에서 논의된 "80%"와 거의 맞는데, 전제는 하위 질문 필터링 규칙이 실제로 단계의 절반 이상을 걸러낼 수 있어야 한다는 점이다. 필터가 너무 느슨하면 큰 차이가 나지 않는다.
쟁점: Agents vs Workflows
이 DSL이 내포한 입장은 하이브리드 아키텍처다.
지난 2년을 되짚어 보면:
- 2023년 말 ~ 2024년: all-in agent. "AGI가 내년에 온다"는 낙관 속에서 agent가 모든 걸 해결할 수 있다는 분위기였고, workflow는 구시대产物 취급을 받았다.
- 2025년부터: workflow로의 회귀. Anthropic은 Claude Sonnet 4.5 발표에서 "computer use 비용 통제"를 별도로 다루었고, LangChain 팀도 여러 자리에서 "순수 agent는 운영 환경에서 못 버틴다"고 인정했다.
- AgentRun은 이론이 아닌 실전 증거: agent 편도 workflow 편도 아니고, "traces가 보여주는 대로"라는 입장이다.
개인적으로 이쪽이 올바른 자세라고 본다. 공학에서 흑백 논리는 대부분 벽에 부딪힌다.
편집자 소견
AgentRun이 LangGraph / Dify보다值得关注한 이유는 단 하나다. traces로부터 상향식으로 workflow를 생성하며, 설계자가 그래프를 그리는 방식이 아니라는 점이다.
LangGraph의 상태 그래프는 깔끔하지만, 먼저 "의도가 몇 가지인지, 각각 어떻게 라우팅할지"를 정리해야 한다. 현실에서는 그런 분류 경계가 수천 개의 실제 query를 agent가 돌려 본 후에야 드러난다. AgentRun의 설계 철학은 "일단乱跑하게 두라, 그리고 그 혼돈에서 질서를 추출하라"——머신러닝의 그것을 오케스트레이션 영역으로 옮긴 시도다.
하나의 반(反)합의 관찰: 에이전트 프레임워크의 레드오는 2026년에 정점을 찍을 가능성이 있다. 개발자들은 "또 새로운 오케스트레이션 프레임워크"에 질려 있다. "비용 계산서"와 "역방향 루프"를 갖춘 AgentRun 같은 도구가 오히려 돌파할 수 있다——"내 DSL이 얼마나 우아한가"가 아니라 "당신 비용을 얼마나 아껴 주는가"를 놓고 경쟁하기 때문이다.
이번이 과거 사례와 다른 점: 이것은 또 하나의 "드래그 앤 드롭 workflow 에디터"가 아니다. 좋은 workflow는 설계되는 것이 아니라 실행되며 만들어진다는 사실을 인정한다는 점에서 다르다.
확실하지 않은 부분: DSL 학습 곡선은 그렇게 가파르지 않아 보이지만(노드 4종류뿐), traces를 역으로 활용하는 harness는 블랙박스라서 언제 어떤 단계를 "하강 가능"으로 판정할지 알 수 없다. 금융 컴플라이언스처럼 단계가层层叠叠인 복잡한 업무를 버틸 수 있을지는 보류한다——그런 장면의 "결정성" 자체가 모호하기 때문에 하드코딩하면 오히려 사고가 난다.
운영 환경에서 이미 agent 비용을 태우고 있다면, 한 오후 들여 clone해서 돌려볼 만하다.