Burr FrameworkFramework Python open-source pour construire des applications décisionnelles à état, telles que des agents et chatbots.

4.3 (4)

Évalué par Daniel Nikulshyn·Mis à jour juillet 2026

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

Aperçu

Burr Framework est une bibliothèque Python destinée à construire des applications qui doivent prendre des décisions au fil du temps, comme des chatbots, des agents IA, des simulations et des moteurs de workflows. Elle modélise les programmes comme des machines à états, permettant aux développeurs de définir des actions et des transitions agissant sur un objet d'état partagé, ce qui rend le contrôle de flux complexe plus compréhensible. Le framework inclut des outils d’observabilité intégrés, une interface utilisateur locale pour inspecter les exécutions et un support de persistance afin que les applications puissent être suspendues, reprises et déboguées pas à pas. Parce que Burr ne préscrit pas quels LLM ou bibliothèques vous utilisez, il s’intègre à la plupart des piles Python d’IA les plus populaires. Il convient particulièrement aux équipes qui souhaitent un contrôle explicite de la logique d’agents plutôt que de se fier à une orchestration boîte noire, et aux systèmes de production où traçabilité et testabilité comptent.

Fonctionnalités clés

Abstraction de machine à états avec actions et transitions
UI de télémétrie locale pour inspecter les exécutions
Persistance d’état et capacité de reprise
Support du streaming et des actions asynchrones
Intégrations avec les outils LLM et ML courants
Hooks pour journalisation, surveillance et tests

Tarifs

Modèle: Free
Catégorie: Frameworks d'agents de l'intelligence artificielle
Note: 4.3 / 5 (4)

Cas d’usage

Construire des chatbots à état avec une logique traçable

Modélisez les flux conversationnels comme des machines à états explicites avec actions et transitions, facilitant ainsi la compréhension du comportement du chatbot et le débogage via l’UI de télémétrie locale.

Développer des agents IA décisionnels

Créez des agents IA qui gèrent un état partagé entre les étapes, avec support du streaming, des actions asynchrones et l’intégration avec n’importe quelle bibliothèque LLM dans l’écosystème Python.

Exécuter des moteurs de workflow qui peuvent être repris

Utilisez la persistance d’état pour suspendre, reprendre et déboguer pas à pas les workflows ou simulations longues, permettant une récupération fiable et l’inspection d’un flux de contrôle complexe.

Instrumenter des applications IA pour la surveillance et le test

Exploitez les hooks intégrés pour la journalisation, la surveillance et le traçage afin d’observer les applications IA en production et valider le comportement à travers des exécutions reproductibles et inspectables.

Pour & contre

Pour

Modèle de machine à états explicite facilite le suivi logique
UI de traçabilité intégrée pour déboguer les exécutions
Indépendant du framework—fonctionne avec n’importe quel LLM ou bibliothèque
Supporte persistance, streaming et asynchrone
Open source et léger

Contre

Nécessite Python et une certaine prise en main des abstractions
Moins « plug-and-play » que les frameworks d’agents de niveau supérieur
Communauté plus petite que les concurrents plus gros

Avis

4.3

Moyenne sur 4 avis.

Connecte-toi pour laisser un avis.

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.

Questions & réponses

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