Burr FrameworkFramework Python de código aberto para construir aplicações de tomada de decisão com estado, como agentes e chatbots.

4.3 (4)

Avaliado por Daniel Nikulshyn·Atualizado julho de 2026

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

Visão geral

Burr Framework é uma biblioteca Python para construir aplicações que precisam tomar decisões ao longo do tempo, como chatbots, agentes de IA, simulações e motores de fluxo de trabalho. Ele modela programas como máquinas de estado, permitindo que os desenvolvedores definam ações e transições que operam em um objeto de estado compartilhado, tornando o fluxo de controle complexo mais fácil de entender. O framework inclui ferramentas de observabilidade integradas, uma UI local para inspecionar execuções e suporte à persistência para que as aplicações possam pausar, retomar e ser depuradas passo a passo. Como o Burr não tem opinião sobre quais LLMs ou bibliotecas usar, ele se integra à maioria da pilha de IA Python popular. É bem adequado para equipes que desejam controle explícito sobre a lógica do agente, em vez de confiar em orquestração de caixa preta, e para sistemas de produção onde a rastreabilidade e a testabilidade são importantes.

Funcionalidades principais

Abstração de máquina de estado com ações e transições
UI de telemetria local para inspecionar execuções
Persistência de estado e capacidade de retomada
Suporte a ações de streaming e assíncronas
Integrações com ferramentas comuns de LLM e ML
Ganchos para registro, monitoramento e teste

Preços

Modelo: Free
Categoria: AI Agents Frameworks
Avaliação: 4.3 / 5 (4)

Casos de uso

Construir chatbots com estado e lógica rastreável

Modelar fluxos de conversas como máquinas de estado explícitas com ações e transições, tornando mais fácil raciocinar sobre o comportamento do chatbot e depurar execuções por meio da UI de telemetria local.

Desenvolver agentes de IA que tomam decisões

Criar agentes de IA que gerenciam estado compartilhado entre etapas, com suporte a ações de streaming, assíncronas e integração com qualquer biblioteca LLM no ecossistema Python.

Executar motores de fluxo de trabalho com retomada

Usar persistência de estado para pausar, retomar e depurar passo a passo fluxos de trabalho ou simulações em execução longa, permitindo recuperação confiável e inspeção de fluxo de controle complexo.

Instrumentar aplicativos de IA para monitoramento e teste

Aproveitar ganchos integrados para registro, monitoramento e rastreamento para observar aplicações de IA de produção e validar comportamento por meio de execuções reproduzíveis e inspecionáveis.

Prós e contras

Prós

Modelo de máquina de estado explícito torna a lógica fácil de seguir
UI de rastreamento integrada para depurar execuções
Agnóstico de framework - funciona com qualquer LLM ou biblioteca
Suporta persistência, streaming e assíncrono
Código aberto e leve

Contras

Requer Python e algum aprendizado de suas abstrações
Menos plug-and-play do que frameworks de agente de nível superior
Comunidade menor do que concorrentes maiores

Avaliações

4.3

Média de 4 avaliações.

Entra para deixar uma avaliação.

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.