Burr FrameworkOtevřená zdrojová Pythonová rámec pro budování stavu rozhodujícími aplikace jako agenty a chatboty.

4.3 (4)

Recenzováno Daniel Nikulshyn·Aktualizováno červenec 2026

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

Přehled

Burr Framework je knihovna Pythonu pro vytváření aplikací, které potřebují přijímat rozhodnutí v čase, jako jsou chatboti, AI agenti, simulace a workflow enginy. Modeluje programy jako stavové stroje, což umožňuje vývojářům definovat akce a přechody, které operují na sdíleném stavovém objektu, a usnadňuje tak uvažování o komplexním řízení toku. Rámec zahrnuje vestavěné nástroje pro pozorovatelnost, lokální uživatelské rozhraní pro kontrolu běhů a podporu perzistence, aby aplikace mohly pozastavit, obnovit a ladit krok po kroku. Protože Burr nemá žádný pevný názor na to, které LLM nebo knihovny používáte, integruje se s většinou populárního Pythonového AI zásobníku. Je vhodný pro týmy, které chtějí mít explicitní kontrolu nad logikou agenta namísto spoléhání se na černou skříňku, a pro produkční systémy, kde záleží na sledovatelnosti a testovatelnosti.

Klíčové funkce

Abstrakce stavu automatických zařízení s akcemi a přechody
Local UI pro inspectování běhu
Stavová trvanlivost a obnovitelnost
Odměřování a asynchronní podporu akcí
Integrace se běžnými nástroji LLM a ML
Hooks pro výpis, sledování a testování

Ceník

Model: Free
Kategorie: Frameworky agentů AI
Hodnocení: 4.3 / 5 (4)

Případy užití

Postavte statevní chatbounty s přehledností logiky

Modelovat konverzační proud jako explicitní stavová automatizátor s akcemi a přechody, a ulehčí tak chování chatbotů a ladění běhů místní telemetry UI

Vytvořte rozumní AI agenty

Vytvořte AI agenty, které řídí sdílený stav napříč kroků, s podporou otevření, asynchronními akcemi a integračemi se kteroumkoliv LLM knihovnou v Python ekosystému

Spusť barevné workflow engine

Použijte stavovou trvanlivost k přerušování, obnovitelnost a posuvném ladění delších běhů nebo simulacích, a umožněte tak spolehlivou návratnost a inspekci složitosti ovládacího toku

Nastavte AI aplikace pro sledování a testování

Lézejte integracemi se službami pro výpisu, sledování a sledování, aby se zajistily produkční AI aplikace a validace chování přes opakovatelné a inspekční běhy

Pro a proti

Pro

Explicitní model stavu automatického zařízení usnadňuje logiku jednodušší
Vlastní sledování UI pro ladění běhu
Framwork-agnosticky – funguje s jakýmkoliv LLM nebo knihovnou
Podporuje trvalost stavu, otevření a asynchronizaci
Otevřeno zdrojové a lehké
Vyžaduje Python a nějaké učení abstrakcí

Proti

Je vyžadován Python a některé učení abstrakcí
Méně plug-and-play než vyšší úrovně rámec agentů je
Menší komunita než silniejsími konkurenty

Recenze

4.3

Průměr z 4 hodnocení.

Přihlas se, abys mohl napsat recenzi.

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.

Otázky

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