Apache Burr: 신뢰할 수 있는 AI 에이전트 빌드 프레임워크

TL;DR Highlight

LangChain 같은 복잡한 프레임워크에 지친 개발자들을 위해 순수 Python으로 AI 에이전트와 상태 머신을 만들 수 있는 Apache 인큐베이팅 프레임워크다. 상태 관리, 관측성, Human-in-the-Loop 등을 DSL 없이 제공한다는 점이 특징이다.

Who Should Read

LangChain이나 LangGraph 같은 프레임워크의 복잡한 추상화에 불만을 느끼고 있는 AI 애플리케이션 개발자. 특히 상태 관리와 디버깅이 중요한 멀티에이전트 시스템이나 챗봇을 프로덕션에 배포하려는 백엔드 개발자.

Core Mechanics

Apache Burr는 순수 Python 함수와 데코레이터만으로 AI 에이전트를 정의하는 프레임워크다. DSL이나 YAML 설정 없이, `@action` 데코레이터로 함수를 액션으로 등록하고 `ApplicationBuilder`로 전환(transition)을 선언하는 방식이다.
핵심 추상화는 `State` 객체다. 각 액션은 어떤 상태를 읽고(`reads`) 어떤 상태를 쓰는지(`writes`) 명시적으로 선언하며, 상태는 불변 방식으로 업데이트된다. 이 덕분에 상태 변화를 추적하고 특정 시점부터 재실행(replay)이 가능하다.
내장 UI를 통해 실시간으로 각 스텝의 상태 변화, 실행 흐름, 트레이스를 시각적으로 모니터링할 수 있다. 별도의 설정 없이 `.with_tracker('local')`만 추가하면 로컬에서 바로 관측성을 확보할 수 있다.
Human-in-the-Loop 기능을 내장 지원한다. 실행 중 특정 스텝에서 일시 정지하고 인간의 입력을 기다릴 수 있어서, 승인 워크플로우나 대화형 에이전트 구현이 쉽다.
병렬 실행, 팬아웃/팬인(fan-out/fan-in), DAG(방향성 비순환 그래프) 구조를 지원하며, 서브 애플리케이션을 모듈처럼 조합해서 복잡한 멀티에이전트 시스템을 만들 수 있다.
상태를 디스크, 데이터베이스(PostgreSQL 등), 커스텀 백엔드에 자동으로 영속화(persist)할 수 있다. 앱이 중단되더라도 마지막 상태부터 재개할 수 있어서 장시간 실행되는 에이전트에 유용하다.
OpenAI, Anthropic, LangChain, Hamilton, Haystack, Instructor, Pydantic, FastAPI, Streamlit 등 주요 LLM/서빙 도구와 통합된다. 특정 플랫폼에 종속되지 않는 것을 설계 목표로 내세우고 있다.
현재 Apache Incubating 프로젝트 상태이며, 커뮤니티 사용자들 사이에서 LangChain 대비 학습 곡선이 낮고 프로덕션 전환이 빠르다는 평가가 나오고 있다.

Evidence

에이전트 프레임워크 자체에 회의적인 시각도 있었다. 에이전트는 결국 '컨텍스트 빌드 → LLM 호출 → 툴 실행 → 결과 파싱'이 전부인데, 프레임워크의 추상화가 오히려 핵심 로직을 가리고 특정 방식에 묶이게 만든다는 지적이다. 에이전트별로 1:1로 코드를 짜는 게 더 유지보수하기 쉽다는 경험담이 공유됐다.
한 개발자는 Burr를 개인/업무 프로젝트에 실제 사용해봤다며 긍정적인 경험을 공유했다. 특히 Burr 상태 머신을 MCP(Model Context Protocol)로 마운트하는 도구(theodosia)를 직접 만들어서, 아무리 복잡한 상태 머신이라도 MCP 툴이 상태 머신 네비게이션으로 제한되도록 구현했다고 밝혔다.
코드 샘플을 보고 'LangGraph에 빌더 패턴 붙인 것 아니냐'는 반응이 있었다. 차별점이 랜딩 페이지에서 명확히 드러나지 않는다는 지적으로, 마케팅 카피가 수많은 에이전트 프레임워크 대비 무엇이 다른지를 더 명확히 설명해야 한다는 의견이었다.
Python 데코레이터와 빌더 패턴 사용 방식에 대한 기술적 비판도 나왔다. 데코레이터는 캐싱처럼 '필터' 역할에만 써야지 플로우 제어나 등록 용도로 쓰면 안 된다는 의견과, 빌더 패턴은 Rust에서 키워드 인자가 없어서 쓰는 것인데 Python에서는 불필요하다는 주장이었다.
LangChain에서 Burr로 전환한 사용자들의 긍정적 후기가 여럿 있었다. 한 Data Science Architect는 LangChain 파악하는 데 수일~수주 걸렸던 반면 Burr는 몇 시간 만에 시작할 수 있어서 팀 전체 코드베이스를 Burr로 전환했다고 밝혔다.

How to Apply

LangChain이나 LangGraph 기반으로 챗봇이나 에이전트를 만들었는데 디버깅이 힘들거나 추상화가 너무 불투명하다고 느끼는 경우, Burr의 `@action` 데코레이터와 `State` 객체로 동일한 로직을 재작성해보면 각 스텝의 상태 변화를 명시적으로 추적할 수 있다.
장시간 실행되는 에이전트(예: 몇 시간 걸리는 리서치 에이전트)를 만들 때 `.with_tracker('local')` 또는 PostgreSQL 백엔드를 붙이면, 중간에 실패해도 마지막 상태부터 재개(resume)할 수 있어서 전체 재실행 비용을 줄일 수 있다.
승인이 필요한 자동화 워크플로우(예: AI가 코드 생성 후 사람이 검토하고 배포 승인)를 구현할 때 Human-in-the-Loop 기능을 활용하면, 특정 액션에서 실행을 일시 정지하고 외부 입력을 받아 재개하는 패턴을 별도 상태 저장 로직 없이 구현할 수 있다.
MCP 기반 에이전트 환경에서 특정 스킬이나 워크플로우를 안정적으로 실행시키고 싶다면, 커뮤니티 기여 도구인 theodosia(https://github.com/msradam/theodosia)를 참고해서 Burr 상태 머신을 MCP로 노출하는 방식을 검토해볼 수 있다.

Code Example

snippet

from burr.core import action, State, ApplicationBuilder

# @action 데코레이터로 읽을 상태(reads)와 쓸 상태(writes)를 선언
@action(reads=["messages"], writes=["messages"])
def chat(state: State, llm_client) -> State:
    response = llm_client.chat(state["messages"])
    return state.update(
        messages=[*state["messages"], response]
    )

# ApplicationBuilder로 액션, 전환, 초기 상태, 트래커 설정
app = (
    ApplicationBuilder()
    .with_actions(chat)
    .with_transitions(("chat", "chat"))  # chat -> chat 루프
    .with_state(messages=[])             # 초기 상태
    .with_tracker("local")               # 로컬 관측성 활성화
    .build()
)

# halt_after로 종료 조건, inputs으로 외부 의존성 주입
app.run(halt_after=["chat"], inputs={"llm_client": client})

Terminology

State Machine앱이 취할 수 있는 상태(state)와 상태 간 전환(transition) 규칙을 명시적으로 정의한 구조. 교통 신호등처럼 '빨강 → 초록 → 노랑 → 빨강' 같은 흐름을 코드로 표현한 것.

Human-in-the-LoopAI 자동화 파이프라인 중간에 사람이 개입하는 지점. 예: AI가 초안 작성 후 사람이 검토·승인해야 다음 단계로 넘어가는 구조.

Fan-out/Fan-in하나의 작업을 여러 병렬 작업으로 분기(fan-out)한 뒤, 모든 결과를 하나로 모아(fan-in) 처리하는 패턴. 여러 API를 동시에 호출하고 결과를 합치는 상황에 쓰인다.

Observability시스템 내부에서 무슨 일이 일어나는지 외부에서 파악할 수 있는 능력. 로그, 트레이스, 메트릭을 통해 '지금 어떤 상태인지, 왜 실패했는지'를 알 수 있게 해준다.

MCPModel Context Protocol의 약자. AI 모델과 외부 도구/서비스 간의 통신 규격으로, 에이전트가 어떤 툴을 호출할 수 있는지 표준화된 방식으로 정의한다.

DAGDirected Acyclic Graph(방향성 비순환 그래프)의 약자. 작업들의 의존 관계를 화살표로 연결한 구조인데, 사이클(순환)이 없어서 실행 순서를 명확히 결정할 수 있다.