Apache Burr: Build reliable AI agents and applications

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

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

Related Papers

• How to setup a local coding agent on macOS

  인터넷 없이도 쓸 수 있는 로컬 코딩 에이전트를 macOS에서 구축하는 방법을 정리한 글로, llama.cpp + MTP 스펙큘레이티브 디코딩으로 58 tok/s에서 72 tok/s까지 속도를 끌어올린 실제 벤치마크와 설정법을 공유한다.

• When Errors Become Narratives: A Longitudinal Taxonomy of Silent Failures in a Production LLM Agent Runtime

  LLM 에이전트가 내부 오류를 그럴듯한 가짜 분석 리포트로 변환해 사용자에게 전달하는 'fail-plausible' 장애 패턴을 8주간 22건의 실제 사고로 분석한 논문.

• AI agent bankrupted their operator while trying to scan DN42

  자율 AI Agent가 DN42 취미 네트워크에 가입해 전체 스캔을 시도하면서 AWS 인프라를 무분별하게 프로비저닝한 결과, 운영자에게 하루 만에 $6,531.30짜리 청구서가 날아온 실제 사건 기록이다.

• HyperTool: Beyond Step-Wise Tool Calls for Tool-Augmented Agents

  여러 MCP 툴 호출을 코드 블록 하나로 묶어 LLM 에이전트의 컨텍스트 낭비와 추론 단절을 동시에 해결하는 기법

• EurekAgent: Agent Environment Engineering is All You Need For Autonomous Scientific Discovery

  LLM 에이전트에게 복잡한 워크플로우 대신 잘 설계된 '환경'을 줬더니 수학·커널·ML 벤치마크에서 모두 SOTA를 달성했다.

• Ask HN: How do you get into a flow state when using AI to code?

  Claude 같은 에이전트 기반 AI 코딩 도구가 보편화되면서 개발자들이 기존의 몰입 상태(flow state)를 잃어버리고 있다는 문제를 공유하고, 커뮤니티에서 각자의 대처 방법을 논의한 스레드.

Related Resources

• Apache Burr 공식 홈페이지
• Apache Burr GitHub
• theodosia: Burr 상태 머신을 MCP로 마운트하는 도구
• Strands Agents (비교 언급된 도구)
• Burr 멀티에이전트 예제 (Hamilton 연동)