도구

AgentRun 오픈소스化, Agent 플랫폼의 런타임 선택권 넓히다

GREP.AI가 사내에서 사용하던 AgentRun 프레임워크를 오픈소스로 공개하고, 완전한 managed agents 플랫폼으로 확장했다. ACP 호환 계층과 self-hosted 구조를 통해 모델이 아닌 실행 환경과 관측 가능성을 경쟁력으로 내세운 접근을 살펴본다.

글자 크기

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.

We (GREP.AI, YC F26) are open-sourcing AgentRun and turning it into a full managed agents platform.

GREP.AI는 모델과 runtime 사이의 제어 계층이 되겠다는 목표를 세웠다.

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
AgentRun은 self-hosted 방식도 지원한다. 배포와 사용 설명은 GitHub README에 정리되어 있다.

따라서 제품 형태는 두 가지로 나뉜다.

  1. 托管 버전: 사용자가 직접 컨테이너, 브라우저, 자격 증명, 실행 환경을 관리하지 않아도 된다.
  2. Self-hosted 버전: 데이터와 인프라에 대한 통제권을 유지하면서도 AgentRun의 핵심 기능을 계속 사용할 수 있다.
이 구조는 모든 기능을 hosted 서비스로 제공하는 것보다 실용적이다. Agent가 무엇을 실행하고 어떤 도구를 호출했으며 어떤 파일을 생성했는지는 기업 데이터와 맞닿을 수 있다. 따라서 클라우드에 올릴지는 편의성만으로 결정할 수 없다.

호환 계층의 중심은 ACP

AgentRun의 핵심 주장은 bring your own agent로 요약할 수 있다. README도 다음과 같이 명시한다.

AgentRun works with Pi, Claude Agents, Codex, OpenCode, and any other harness that supports ACP.

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.

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
托管 플랫폼이 실제로 판매하는 것은 이러한 엔지니어링 역량이다. 제품 관점에서 보면 AgentRun이 '자체 Agent를 가져오라'는 점을 강조하는 이유도 설명된다. 모델은 바꿀 수 있다. Claude, Codex 또는 다른 LLM을 reasoning engine으로 사용할 수 있지만, 실행 환경, 권한 경계, 관측 데이터는 여전히 플랫폼이 관리한다.

Self-improving에는 관측 가능성이 뒷받침되어야 한다

AgentRun은 두 가지를 핵심 기능으로 제시한다.

  • Self-improving agents
  • Detailed analytics on how your agents behave
두 기능은 함께 봐야 한다. 실행 trajectory, 도구 호출, 환경 상태 기록이 없다면 self-improving은 프롬프트를 다른一套로 바꾸고 원인을 추측하는 것에 지나지 않는다. Agent 작업이 실패한 이유는 모델 판단 때문일 수도 있고, 브라우저 time out, 만료된 자격 증명, 변경된 도구 반환 형식, 오염된 sandbox 상태 때문일 수도 있다.

시스템이 최종 실패만 본다면 모델, prompt, 도구 중 무엇을 수정해야 하는지 결정하기에 정보가 부족하다. 세밀한 행동 분석은 최소한 다음 항목을 기록해야 한다.

  1. 각 단계에서 어떤 도구를 선택했는가
  2. 도구에 어떤 parameter를 전달했는가
  3. 반환 결과와 환경 상태는 무엇이었는가
  4. Agent가 왜 작업을 계속하고, 재시도하고, 또는 중단했는가
  5. 최종 결과와 기대 목표는 어디에서 달랐는가
이러한 trajectory가 있어야 self-improving은 실패 사례를 보고 prompt를 추측하는 수준을 넘어, 구체적인 실패 지점을 수정할 수 있다. 다만 행동 분석에는 프라이버시와 보안 문제도 따른다. Agent trajectory에는 사용자 입력, 웹페이지 내용, 파일 일부, 자격 증명과 관련된 context가 포함될 수 있다. 플랫폼은 데이터 보관 기간, 비식별화 방식, 접근 통제 정책을 명확히 해야 한다. 관측 기능이 강해질수록 데이터 유출 표면도 함께 커진다.

Agent 플랫폼이 모델에 종속될 필요는 없다

AgentRun의 가장 중요한 가치는 새로운 Claude나 Codex를 만드는 데 있지 않다. 모델, harness, 실행 환경 사이의 경계를 분명하게划分하는 데 있다.

모델 능력은 계속 변한다. 폐쇄형 API의 가격, context length, 도구 프로토콜은 조정되며, 새로운 오픈소스 모델도 계속 등장한다. 애플리케이션 로직을 특정 Agent runtime에 깊이 묶어 두면 업그레이드가 migration 프로젝트로 바뀐다.

ACP는 교체 가능한 인터페이스를 제공한다. AgentRun은 여기에 실행과 관측 인프라를 더한다. 두 가지를 결합하면 플랫폼은 특정 모델의 부속품이라기보다 Agent의 '운영체제'나 control plane에 가깝다.

이는 hosted 버전과 self-hosted 버전을 선택하는 방식에도 영향을 준다. Hosted 버전은 작업량이 많고 실행 환경이 복잡하며 인프라를 직접 관리하고 싶지 않은 팀에 적합하다. Self-hosted 버전은 데이터 민감도가 높거나 이미 Kubernetes 운영 역량을 갖추었거나 실행 환경을 깊게 수정해야 하는 팀에 적합하다.

하지만 self-hosted가 비용이 전혀 없는 것은 아니다. 컨테이너 이미지, 브라우저, 자격 증명 관리, 로그 저장에는 담당자가 필요하다. AgentRun이 실제로 migration 비용을 줄이는지는 호환성 목록만으로 판단할 수 없다. ACP 지원 범위, 서로 다른 harness의 기능 차이, hosted 버전이 특정 runtime을 얼마나 깊게 지원하는지는 실제 프로젝트를 통해 검증해야 한다.

편집자의 생각

AgentRun의 의미는 단순히 Agent 프레임워크를 오픈소스로 공개했다는 데 있지 않다. 경쟁의 초점을 모델에서 runtime으로 옮겼다는 데 있다. 모델은 교체할 수 있고 도구도 계속 바뀌지만, 실제로 비용이 큰 부분은 실행 환경, 상태 관리, 실패 추적인 경우가 많다. ACP가 충분히 안정적이라면 팀은 migration을 줄일 수 있다. AgentRun이 일관된 도구 의미와 관측 데이터를 제공한다면 hosted와 self-hosted 버전을 더 쉽게 교체할 수 있다.

앞으로 주목할 지점은 AgentRun이 몇 개의 모델을 연결했느냐가 아니라, 서로 다른 harness를 동일한 관측·평가 체계 아래에서 공정하게 실행할 수 있게 하느냐다. 이는 과거 모델 benchmark, context length, Agent demo 성공률만 비교하던 방식과 다르다. 평가 대상이 완전한 실행 체인으로 바뀌는 것이다.

다만 지금은 결론을 내리기 이르다. README만으로는 몇 가지 핵심적인 불확실성이 해소되지 않았다. ACP가 실제로 어떤 역량을 포괄하는지, Claude Agents와 Codex, OpenCode를 연결해도 동일한 동작을 유지하는지, 세밀한 분석이 뚜렷한 비용과 데이터 위험을 수반하는지가 남아 있다. 특히 self-improving에는 검증 기준이 필요하다. 한 번의 우연한 성공만으로 시스템이 재사용 가능한 능력을 학습했다고 볼 수는 없다.

출처

https://github.com/Parcha-ai/agentrun/blob/main/README.md

출처: https://github.com/Parcha-ai/agentrun/blob/main/README.md