Burr FrameworkAtvirsāsisma Python kārtība, kas palīdz būvēt valodu, kas spēj ņemt izlēsums caur laiku, tādu kā agents, rokasrakstītāji, simulušanas sistēmas un workflow motorus.

4.3 (4)

Pārskatījis Daniel Nikulshyn·Atjaunināts 2026. g. jūlijs

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

Pārskats

Burr Framework ir Python bibliotēka, kuru izmantošanai tiek izveidoti programmas, kuras vajadzības veicot nākotnēšanās izziņas, kā, piemēram, robobi, AI agenti, simuli, un strādprocessu motori. Tas modelē programmu kā automātus, izārstājot programmētājiem definēt darbības un pārejumi, kuri darbojas uz kopīgu vērtību objektu, palīdzot saskarot savstarpējās attīstību kontrole. Rādītie rīki ietver integrētu redzamības iekārtu, vietēju interfeisu, lai izpētītu izbiežas, un piedāvātu sagatavojumu, lai programmatūra varētu pārtraukt, atsākt un izpētīt pa punktiem. Tāpēc Burr neuzskata, kurus kā LLM vai bibliotēkas jums lieto, to iekļaujot daudzos populārajos Python AI pielietojumus. Šo uzraudzību varētu labi pielietot komandu, kas vēlas pamanītu kontrolēt agenta logiku, nevis atkarēties no "melna" kutša pārvaldes, kā arī ražošanās sistēmās, kur svarīga ir atbildīguma un pārbaudāmās iespējas.

Galvenās funkcijas

Valsts mašīnas abstrakcija ar darbībām un pārīšanām
Loča UI, lai pārbaudītu izpildi
Valsts saglabājamība un atkārtojamība
Streimingās un sīkprocesu darbības atbalsts
Integrācijas ar izplatītām LLM un ML lietuviem
Iegaumu atbalsts, izlīdzību un testēšanai

Cenas

Modelis: Free
Kategorija: AI agentu pamatplāns sistēmas
Vērtējums: 4.3 / 5 (4)

Lietošanas gadījumi

Izveidojiet stāvokli saglabājošas tērzēšanas robotas ar izsekojamu loģiku

Modelējiet sarunu plūsmas kā skaidras stāvokļa mašīnas ar darbībām un pārejām, padarot vieglāku tērzēšanas robota darbības pamatošanu un atkļūdošanu, izmantojot lokālo telemetrijas lietotāja saskarni.

Izstrādājiet lēmumu pieņemšanas mākslīgā intelekta aģentus

Izveidojiet mākslīgā intelekta aģentus, kas pārvalda koplietotu stāvokli pāri soļiem, atbalstot straumēšanu, asinhronās darbības un integrāciju ar jebkuru LLM bibliotēku Python ekosistēmā.

Palaidiet atsāktspējīgas darbplūsmas dzinējus

Izmantojiet stāvokļa saglabāšanu, lai apturētu, atsāktu un soli pa solim atkļūdotu ilgstošas darbplūsmas vai simulācijas, nodrošinot uzticamu atlabšanu un sarežģītas vadības plūsmas pārbaudi.

Instrumentējiet mākslīgā intelekta lietotnes uzraudzībai un pārbaudei

Izmantojiet iebūvētās āķus žurnāļu ierakstīšanai, uzraudzībai un izsekošanai, lai novērotu ražošanas mākslīgā intelekta lietojumprogrammas un pārbaudītu darbību, izmantojot reproducējamus, pārbaudāmus palaidumus.

Plusi un mīnusi

Plusi

Izaškas valsts mašīnas modelis, kas padara logicu vieglāki sekot
Būtinie izlīdzības UI, lai debētu izpildi
Kārtība ir neizvainojama—darbojas ar jebkuru LLM vai bibliotēku
Attālināta saglabājamība, streimingās un sīkprocesu darbības
Atvirsāsisma un leģinēja

Mīnusi

Jaunām programētājam izmanto visu Pythonu un kādas abstrakcijas mācīšanai
mazāk līdzkārtīgajā kā augstākās lietvietotāju kārtībās
mazāks kopkomūna, kā lielākiem konkurentiem
useCases
:
[object Object],[object Object],[object Object],[object Object]

Atsauksmes

4.3

Vidējais no 4 vērtējumiem.

Pieslēdzies, lai atstātu atsauksmi.

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.

Jautājumi

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