Burr FrameworkOtwarto‑źródłowy framework Python do budowania aplikacji z stanem, podejmujących decyzje, takich jak agenty i chatboty.

4.3 (4)

Zrecenzowane przez Daniel Nikulshyn·Zaktualizowano lipiec 2026

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

Przegląd

Burr Framework to biblioteka Python do tworzenia aplikacji, które muszą podejmować decyzje w czasie, takich jak chatboty, agenty AI, symulacje i silniki przepływów pracy. Moduł modeluje programy jako maszyny stanów, pozwalając programistom definiować akcje i przejścia operujące na wspólnym obiekcie stanu, co ułatwia zrozumienie złożonych przepływów kontrolnych. Framework zawiera wbudowane narzędzia obserwacyjne, lokalne UI do inspekcji przebiegów oraz obsługę trwałości, dzięki czemu aplikacje mogą wstrzymywać, wznawiać i debugować krok po kroku. Ponieważ Burr nie narzuca, które LLM-y lub biblioteki używasz, integruje się z większością popularnego stosu AI w Pythonie. Idealny dla zespołów, które chcą eksplicynej kontroli nad logiką agenta zamiast polegania na czarnych pudełkach oraz dla systemów produkcyjnych, w których istotna jest śledzalność i testowalność.

Kluczowe funkcje

Abstrakcja maszyny stanów z akcjami i przejściami
Lokalne UI telemetrii do inspekcji wykonywania
Trwałość stanu i możliwość wznawiania
Obsługa strumieniowania i akcje asynchroniczne
Integracje z popularnymi narzędziami LLM i ML
Hooki do logowania, monitorowania i testowania

Cennik

Model: Free
Kategoria: AI Agents Frameworks
Ocena: 4.3 / 5 (4)

Zastosowania

Budowanie chatbotów z stanem i śledzonymi logikami

Modeluj przepływy konwersacyjne jako wyraźne maszyny stanów z akcjami i przejściami, co ułatwia rozumienie zachowania chatbota i debugowanie przebiegów poprzez lokalne UI telemetrii.

Rozwijanie agentów AI podejmujących decyzje

Twórz agenty AI, które zarządzają wspólnym stanem na różnych etapach, z obsługą strumieniowania, akcji asynchronicznych oraz integracją z dowolnym biblioteką LLM w ekosystemie Python.

Uruchamianie wznawialnych silników przepływów pracy

Użyj trwałości stanu, aby wstrzymywać, wznawiać i debugować krok po kroku długotrwałe przepływy pracy lub symulacje, zapewniając niezawodne przywracanie i inspekcję złożonych przepływów kontrolnych.

Integrowanie aplikacji AI dla monitorowania i testowania

Wykorzystaj wbudowane hooki do logowania, monitorowania i śledzenia, aby obserwować produkcyjne aplikacje AI i zweryfikować zachowanie poprzez powtarzalne, poddane inspekcji przebiegi.

Plusy i minusy

Plusy

Eksplicytny model maszyny stanów ułatwia śledzenie logiki
Wbudowane UI śledzenia do debugowania przebiegów
Niezależny od frameworka — działa z każdym LLM lub biblioteką
Obsługuje trwałość, strumieniowanie i asynchroniczność
Otwarty i lekki

Minusy

Wymaga Pythona i naukę jego abstrakcji
Mniej gotowy do uruchomienia niż wyższych poziomów frameworków agentów
Mniejsza społeczność niż więksi konkurenci

Recenzje

4.3

Średnia z 4 ocen.

Zaloguj się, aby zostawić recenzję.

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.