Burr FrameworkAtvira šaltinio bazės Pythono frameworkas statybą valdomų, sprendimo priėmimo taikinių, kaip agentų ir pokalbių robotų, kūrimui

4.3 (4)

Apžvelgė Daniel Nikulshyn·Atnaujinta 2026 m. liepa

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

Apžvalga

Burr Framework yra Python biblioteka, skirta naudoti programavimui taikymams, kurie visus metus turėtų priimti sprendimus, pvz., chatbotams, AI agentams, simuliacijoms ir valandinėms mašinėlėms. Jo pavyzdys modeliuoja programas kaip valdiklius, leidžiant programuotojams apibrėžti veiksmus ir perėjimus, veikiančius bendrą valstybės objektą, padedant pasireikšminti sudėtingą kontrolę eilutės. Šioje rūšiuje yra įdiegti priemonės, kurios lemia matomumą, lokalus Irai priežaidų pažiūrėti ir palaikymas tęstiniam palaikymui, kuris leidžia užtikrinti, kad taikomosios programos galėtų pažaboti, atsijungti, ir galima jų pažaboti krokšties būdu. Buras nesideriuoja dėl LLM arba bibliotekų, kurias turėtumėte naudoti, todėl tai integruojasi su dauguma populiarų Pyponto AI aplinkos. Jis labai tinkamas komandoms, norinčioms, kad būtų atvižių kontroliuoti agento logika, ne prieinamumo uždariusi orchestration, bei produktijų sistemoms, kuriose reikalingi trąsos ir testuojamumas, svarbančios reikalavimai.

Pagrindinės funkcijos

Valdomuoju mašinų abstrakcija su veiksmais ir perėjimais
Vietinis duomenų apžiūros UI, kad apžiūrint vykdyti
Valdomuoju statūs ir grąžimėjimas
Šaltinių ir asinchroninių veiksmo supportas
Integracijos su bendratinia LLM ir ML taiklinais
Žingsnojai, kad užfiksuoti, monitoringi ir pratybų

Kainos

Modelis: Free
Kategorija: AI Agents Frameworks
Įvertinimas: 4.3 / 5 (4)

Naudojimo atvejai

Kurti valdomuosius pokalbių robotus su tikimybių lygu

Modeliuoti pokalbių sąveikų, kaip explicitus valdomosius mašinų su veiksmų ir perėjimų, kad suderinamos sąnašų bei duomenų bei debaginimo vykdyti

Sukurti sprendimų valdymo AI agentai

Sukurti AI agentus, kuris valdo bendrasą status per žingsnius, taiklina saugomas asinchroniu vekimu bei integracija su visais LLM taiklinais Python ekosistemos

Kurti praleidomus workflow varžybų engine'us

Vartoti valdomuosius saugomas, kad praleidimas ir išsaugomus varžybų sąrašus bei išsaugomus varžybų praleidomas, kad taiklina suvoki ir apžiūrint vykdyti

Instrumentiuvai AI taikinių monitoringi ir pratybų

Vartoti integraciniai kūrėjų loginkos, monitoringi ir naudinio duomenų apžiūros, kad apžiūrint vykdyti

Privalumai ir trūkumai

Privalumai

Valdomuoju mašininio modelio explicitumas suderinamai prieštikrinti logika
Išsaugotojamas naudinio duomenų apžiūros UI, kad debaginti vykdyti
Atvira bei agnostinė sistema veikia ir taiklinai
Rinktis saugomas, taiklinai, asinchronis veikimas
Atviroji bei lengvoji
Integracija su LLM ir ML taiklinais

Trūkumai

Iškyla Python ir viso kaip mokantis abstrakcijos
Mažesnė nei vyresnių agentų frameworkų
Mažesnė nei vyresnių agentų agnoscių nei agnostinių kompetencijaų

Atsiliepimai

4.3

Vidurkis iš 4 įvertinimų.

Prisijunk, kad paliktum atsiliepimą.

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.