GREP.AI는 AgentRun을 오픈소스로 공개하고, 이를 완전한 managed agents 플랫폼으로 확장했다. ACP를 통해 Claude Agents와 Codex 같은 다양한 runtime을 지원하며, 모델을 한 번 더 감싸는 대신 실행 환경에 집중한다.
AgentRun 오픈소스화: Agent 플랫폼이 자체 런타임을 받아들이기 시작
Agent 플랫폼은 과거에 모델, 도구, 워크플로를 하나의 제품으로 묶는 경우가 많았다. 모델이나 Agent harness를 바꾸면 코드를 다시 작성하고 환경을 다시 설정해야했으며, 디버깅 기록까지 이전할 수 없는 경우도 많았다. GREP.AI(YC F26)는 반대로 접근했다. 사내 Agent harness로 시작한 AgentRun을 오픈소스로 공개한 뒤, 완전한 managed agents 플랫폼으로 발전시켰다. README에는 다음과 같이 적혀 있다.GREP.AI는 모델과 runtime 사이의 제어 계층이 되겠다는 목표를 세웠다.We (GREP.AI, YC F26) are open-sourcing AgentRun and turning it into a full managed agents platform.
사내용 프레임워크에서 공개 플랫폼으로
AgentRun의 출발점은 범용 클라우드 플랫폼이 아니라 GREP.AI 내부에서 사용하던 Agent harness였다. 이 선택이 중요하다. 먼저 사내 업무를 안정적으로 처리한 뒤 실행 환경, 도구 연결, 행동 분석, 서비스托管을 차례로 개방하는 방식으로 progressed했다. 현재 플랫폼은 다음 요소로 구성된 완전한 실행 체인을 제공한다.- Web-grounded workflows
- 다양한 sandbox와 computer environments
- 수천 가지 도구와 통합 옵션
- Agent 행동 분석과 self-improving 기능
- 托管 버전: 사용자가 직접 컨테이너, 브라우저, 자격 증명, 실행 환경을 관리하지 않아도 된다.
- Self-hosted 버전: 데이터와 인프라에 대한 통제권을 유지하면서도 AgentRun의 핵심 기능을 계속 사용할 수 있다.
호환 계층의 중심은 ACP
AgentRun의 핵심 주장은 bring your own agent로 요약할 수 있다. README도 다음과 같이 명시한다.ACP는 여기서 adaptation layer와 비슷한 역할을 한다. AgentRun은 모든 팀이 특정 harness를 사용하도록 요구하지 않는다. 상대편이 ACP를 지원하면 연결할 수 있다. 이 선택은 곧바로 migration 비용에 영향을 준다. 어떤 팀이 처음에는 Claude Agents로 코드 작업을 처리하다가 특정 batch processing에는 Codex가 더 적합하다는 사실을 발견하거나 OpenCode를 테스트하고 싶다고 결정했다고 가정해 보자. 기존에는 도구 호출, 상태 관리, sandbox 설정을 다시 구축하는 일이 흔했다. ACP에 연결하면 최소한 실행 프로토콜은 일관되게 유지할 수 있다. 하지만 ACP 호환만으로 모델 능력, context management, prompt 전략, 도구 동작까지 같아지는 것은 아니다. 서로 다른 harness는 작업 분해, 오류 복구, 도구 선택, context compression을 다르게 처리할 수 있다. AgentRun이 해결하는 것은 '어떻게 연결하고 실행할 것인가'이지, '서로 다른 Agent가 동일한 효과를 내는가'가 아니다.AgentRun works with Pi, Claude Agents, Codex, OpenCode, and any other harness that supports ACP.
모델보다 중요한 실행 환경
대규모 언어 모델은 Agent의 한 계층에 불과하다. 실제 작업을 수행하는 것은 브라우저, 코드 sandbox, 파일 시스템, 네트워크 접근, API 자격 증명, 외부 도구다. AgentRun이 managed agents에 무게를 두는 이유도 여기에 있다. 플랫폼은 Web-grounded workflows를 제공해 Agent가 실제 웹페이지를 바탕으로 업무를 수행하도록 지원한다. 또한 여러 sandbox와 computer environments, 수천 가지 도구와 통합 옵션을 제공한다. 기업 사용자에게 이러한 기능은 모델 API를 한 번 더 감싸는 것보다 실제 운영 비용에 훨씬 가깝다. 동작하는 Agent demo를 구축하는 것은 보통 어렵지 않다. 어려운 것은 다음과 같은 디테일을 안정적으로 처리하는 것이다.- 브라우저 세션을 어떻게 격리할 것인가
- 코드를 어느 컨테이너에서 실행할 것인가
- API key를 어디에 보관할 것인가
- 작업이 time out된 뒤 어떻게 복구할 것인가
- 외부 웹페이지가 장애를 일으켰을 때 어떻게 재시도할 것인가
- 한 작업이 어떤 파일과 로그를 생성했는가
- 서로 다른 작업이 서로 오염시킬 가능성이 있는가
Self-improving에는 관측 가능성이 뒷받침되어야 한다
AgentRun은 두 가지를 핵심 기능으로 제시한다.- Self-improving agents
- Detailed analytics on how your agents behave
- 각 단계에서 어떤 도구를 선택했는가
- 도구에 어떤 parameter를 전달했는가
- 반환 결과와 환경 상태는 무엇이었는가
- Agent가 왜 작업을 계속하고, 재시도하고, 또는 중단했는가
- 최종 결과와 기대 목표는 어디에서 달랐는가