Burr FrameworkPython-Open-Source-Framework für die Erstellung entscheidungsfindender Anwendungen wie Agenten und Chatbots.

4.3 (4)

Geprüft von Daniel Nikulshyn·Aktualisiert Juli 2026

Open Source Python AI Agents Framework Observability Developer Tools State Management LLM

Übersicht

Burr Framework ist eine Python-Bibliothek zum Erstellen von Anwendungen, die im Zeitverlauf Entscheidungen treffen müssen, wie z. B. Chatbots, KI‑Agenten, Simulationen und Workflow‑Engines. Sie modelliert Programme als Zustandsautomaten, sodass Entwickler Aktionen und Übergänge definieren können, die auf einem gemeinsamen Zustandsobjekt operieren, wodurch komplexe Kontrollflüsse leichter nachvollziehbar werden. Das Framework beinhaltet integrierte Observability-Tools, eine lokale UI zur Inspektion von Läufen und Unterstützung für Persistenz, sodass Anwendungen pausieren, fortsetzen und Schritt für Schritt debuggt werden können. Da Burr unvoreingenommen gegenüber den von Ihnen verwendeten LLMs oder Bibliotheken ist, lässt es sich in die meisten gängigen Python‑AI‑Stacks integrieren. Es ist besonders geeignet für Teams, die eine explizite Kontrolle über die Agentenlogik wünschen, anstatt sich auf Black-Box-Orchestrierung zu verlassen, sowie für Produktionssysteme, bei denen Nachverfolgbarkeit und Testbarkeit wichtig sind.

Hauptfunktionen

Zustandsmaschinen-Abstraktion mit Aktionen und Übergängen
Lokale Telemetriel-UI für die Inspektion von Ausführungen
Zustandspersistenz und Wiederaufnahmefähigkeit
Streaming- und asynchrone Aktionen
Integrationen mit den gängigen Python-AI-Stack-Tools
Hooks für Logging, Überwachung und Testing

Preise

Modell: Free
Kategorie: Framewerke für künstliche Agenten
Bewertung: 4.3 / 5 (4)

Anwendungsfälle

Erstellen von Zustandschatbots mit nachvollziehbarer Logik

Modelliere konversationsförmige Abläufe als explizite Zustandsmaschinen mit Aktionen und Übergängen, was es einfacher macht, über Chatbot-Verhalten nachzudenken und Ausführungen über die lokale Telemetriel-UI zu debuggen.

Entwicklung von bestimmungsfindenden AI-Agenten

Erstelle AI-Agenten, die einen gemeinsamen Zustand über Schritte managen, mit der Unterstützung von Streaming, asynchronen Aktionen und Integrationen mit jedem beliebigen LLM-Bibliothek im Python-Umfeld.

Läuft resumierbare Workflow-Engines

Benutze Zustandspersistenz, um Workflow-Engines oder Simulationen nachzuhalten und schrittweise zu debuggen, wodurch zuverlässige Wiederaufnahme und Inspektion komplexer Steuerelemente möglich ist.

Instrumentiere AI-Anwendungen für die Überwachung und den Testen

Benutze integrierte Hooks für Logging, Überwachung und Zeichnen, um Produktions-AI-Anwendungen zu überwachen und ihr Verhalten durch reproduzierbare, nachvollziehbare Ausführungen zu validieren.

Pro & Contra

Pro

Eine explizite Zustandsmaschinen-Modell macht die Logik einfach nachvollziehbar
In der Regel integriertes Zeichnungs-UI für die Debugging von Ausführungen
Framework-agnostisch – funktioniert mit jedem beliebigen LLM oder Bibliothek
Unterstützung für Persistenz, Streaming und asynchrone Aktionen
Open-Source und leicht
Rechtlich nicht bindend und leicht zu lernen

Contra

Erfordert Python und einige Lernzeit seiner Abstraktionen
Minderer plug-and-play-Wert als höherstufige Agentenframeworks
Kleinerere Gemeinschaft als größere Konkurrenten

Bewertungen

4.3

Durchschnitt aus 4 Bewertungen.

Melde dich an, um eine Bewertung abzugeben.

Priya Nair

May 2, 2026

Does the job

Pretty happy overall. Local telemetry UI for inspecting executions just works and built-in tracing UI for debugging runs. Less plug-and-play than higher-level agent frameworks can be annoying, but no dealbreakers — I'd recommend it to a friend without hesitating.

Ethan Brooks

Mar 21, 2026

Compared a few options

Evaluated this against two competitors. Where it wins: local telemetry UI for inspecting executions and explicit state-machine model makes logic easy to follow. Where it lags: requires Python and some learning of its abstractions. On balance the feature set — especially local telemetry UI for inspecting executions — justifies the 5 stars for our use case.

Tariq Aziz

Jan 27, 2026

Use it every day

Honestly didn't expect to like it this much. State persistence and resumability is exactly what I needed, and open source and lightweight. I do wish smaller community than larger competitors, but I reach for it almost every day now and it just clicks.

Diego Fernández

Oct 16, 2025

Solid for our team

We rolled this out across the team last quarter and built-in tracing UI for debugging runs. State persistence and resumability fits neatly into how we already work, and integrations with common LLM and ML tools removed a step we used to do by hand. Smaller community than larger competitors, which is the main caveat, but it has held up under daily use.

Fragen & Antworten

Why the name Burr?

Apache Burr is named after Aaron Burr, founding father, third Vice President of the United States, and historical opponent of Alexander Hamilton. The name reflects the project's origins as a harness to handle state between executions of Apache Hamilton DAGs (because DAGs don’t have cycles). Over time, Burr proved useful for a wide array of applications, leading to its broader release.

Asked by Naomi Suzuki · Nov 13, 2025

What can you do with Apache Burr?

Apache Burr can be used to power a variety of applications, including: 1. A simple GPT‑like chatbot. 2. A stateful RAG‑based chatbot. 3. An LLM‑based adventure game. 4. An interactive assistant for writing emails. It also supports non‑LLM use‑cases such as time‑series forecasting simulations and hyperparameter tuning. Using hooks and integrations you can integrate with any of your favorite vendors (LLM observability, storage, etc.) and build custom actions that delegate to your favorite libraries (like Apache Hamilton). Burr does not build models, query APIs, or manage data for you; it helps you tie these components together in a scalable, logical way. It includes out‑of‑the‑box integrations and tooling to build a UI in Streamlit and watch your state machine execute.

Asked by Valentina Marino · Nov 1, 2025

How does Apache Burr work?

With Apache Burr you express your application as a state machine (i.e. a graph/flowchart). You can (and should!) use it for anything in which you have to manage state, track complex decisions, add human feedback, or dictate an idempotent, self-persisting workflow. The core API is simple – the Burr hello-world looks like this (plug in your own LLM, or copy from the docs for gpt‑X). Apache Burr includes: 1. A dependency‑free low‑abstraction Python library that enables you to build and manage state machines with simple Python functions. 2. A UI you can use to view execution telemetry for introspection and debugging. 3. A set of integrations to make it easier to persist state, connect to telemetry, and integrate with other systems.

Asked by Carlos Mendoza · Oct 27, 2025