Burr FrameworkNyílt forráskódú Python keretrendszer az állapotú, döntéshozó alkalmazásokhoz, mint ügynökökhöz és chatbotokhoz.

4.3 (4)

Értékelte Daniel Nikulshyn·Frissítve 2026. július

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

Áttekintés

A Burr Framework egy Python könyvtár olyan alkalmazások fejlesztéséhez, amelyek idővel döntéseket hoznak, mint például a chatbotok, MI-ügynökök, szimulációk és workflow motorok. Programokat állapottárgépként modellez, lehetővé téve a fejlesztők számára, hogy meghatározott műveleteket és átmeneteket határozzanak meg egy megosztott állapotobjektumon, ami megkönnyíti az összetett vezérlési folyamatok értelmezését. A keretrendszer beépített megfigyelési eszközöket, helyi felületet a futások vizsgálatához és támogatást a persistenciához tartalmaz, hogy az alkalmazások szüneteltethetők, folytathatók legyenek és lépésről lépésre hibakeresésre kerülhessenek. Mivel a Burr nem kötődik az LLM-ekhez vagy könyvtárakhoz, integrálható a legtöbb népszerű Python AI stackkel. Jól alkalmazható olyan csapatok számára, akik explicit irányítást akarnak az ügynöklogika felett, ahelyett, hogy a fekete doboz orchestrációra támaszkodnának, és olyan termelési rendszerekhez, ahol a nyomvonalat követhetőség és a tesztelhetőség számít.

Fő funkciók

Állapotgép-abstrakció akciókkal és átmenetekkel
Helyi szondázási felület a végrehajtások ellenőrzéséhez
Állapotmegőrzés és újrakezdés
Stream és aszinkron akció támogatás
Integrálás a közös LLM és ML eszközelemekkel
Csomagolók a követéshez, a figyeléshez és a teszteléshez

Árazás

Modell: Free
Kategória: AI Ügynökök keretei
Értékelés: 4.3 / 5 (4)

Felhasználási esetek

Készítsen állapotú chatbotokat jelzéssel

Modellálj szóviccsel alapuló áramlásokat egyértelmű állapotgépekkel akciókkal és átmenetekkel, amely könnyebbséggel érvel a chatbot-viselkedésen és gyökérdelt a helyi mérési UI használatával hibakereséshez.

Fejlesztési döntési AI-ügynökök

Hozzon létre AI-ügynököket, amelyek együttesen kezelik a hosszú ideig tartó állapotot lépéseken át, a streamolás, aszinkron akciók és az integráció bármely LLM-könyvtár a Python-közegrendszerrel.

Menjen végbe hordozható folyamatmotorokkal

Használj állapotmegőrzést a folyamattal kapcsolatos álmodik, folyamattal kapcsolatos álmodik és végrehajtást megvalósító, valós érzékelhető folyamattal kapcsolatos felvétellel. Biztosítanak hibakeresheti, ellenőrzhető, és álmodik folytatására alkalmas folyamattal kapcsolatos álmodik.

Instrumentálja az AI alkalmazásokat a megfigyelés és tesztelés végett

Használja be az épített fogantyúkat a követéshez, a figyeléshez és a teszteléshez megfigyelt alkalmazások megfigyelve, életben hozva és reprodukálhathó, ellenőrizhető futásokon keresztül.

Előnyök és hátrányok

Előnyök

Egyértelmű állapotgép-modell könnyen követéses logikát biztosít
Felépített követési felület a végrehajtások hibakereséséhez
A keretrendszerfüggetlen – bármilyen LLM vagy könyvtár munka mellett működik
Támogatja a megőrzést, a streamolást és az aszinkron akciókat
Nyílt forráskód és könnyűség

Hátrányok

Python és annak absztrakt fogalmainak megismerése szükséges
Kevesebb beépített funkció, mint a magasabb szintű ügynök keretrendszerek
Kisebb közösség, mint a nagyobb versenytársak

Értékelések

4.3

Átlag 4 értékelésből.

Jelentkezz be értékelés írásához.

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.

Kérdések

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