Burr FrameworkÖppen källkod Python-ramverk för att bygga tillståndsbaserade, beslutsdrivna applikationer som agenter och chattbottar.

4.3 (4)

Granskat av Daniel Nikulshyn·Uppdaterad juli 2026

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

Översikt

Burr Framework är ett Python-bibliotek för att bygga applikationer som behöver fatta beslut över tid, som chattbotar, AI‑agenter, simuleringar och arbetsflödesmotorer. Det modellerar program som tillståndsmaskiner, vilket gör det möjligt för utvecklare att definiera handlingar och övergångar som opererar på ett gemensamt tillståndsobjekt, vilket gör komplex kontrollflöde enklare att förstå. Ramverket innehåller inbyggda observabilitetsverktyg, ett lokalt UI för att inspektera körningar och stöd för persistens så att applikationer kan pausas, återupptas och debugas steg för steg. Eftersom Burr inte har någon åsikt om vilka LLM:er eller bibliotek du använder, integreras det med de flesta av de populära Python AI-stacken. Det passar väl för team som vill ha explicit kontroll över agentlogik snarare än att lita på black‑box orchestration, samt för produktionssystem där spårbarhet och testbarhet är viktiga.

Nyckelfunktioner

Tillståndsmaskinabstraktion med åtgärder och övergångar
Lokal telemetri-UI för inspektion av körningar
Tillståndspersistens och återupptagning
Streaming- och asynkron åtgärdsstöd
Integrationer med vanliga LLM- och ML-verktyg
Hooks för loggning, övervakning och testning

Priser

Modell: Free
Kategori: AI Agents Frameworks
Betyg: 4.3 / 5 (4)

Användningsfall

Bygg tillståndsbaserade chattbottar med spårbar logik

Modellera konversationsflöden som explicita tillståndsmaskiner med åtgärder och övergångar, vilket gör det enklare att förstå chattbotens beteende och felsöka körningar via den lokala telemetri-UI.

Utveckla beslutsdrivna AI-agenter

Skapa AI-agenter som hanterar delat tillstånd över steg, med stöd för streaming, asynkrona åtgärder och integration med vilket LLM-bibliotek som helst i Python-ekosystemet.

Kör återupptagbara arbetsflödesmotorer

Använd tillståndspersistens för att pausa, återuppta och stegdels felsöka långvariga arbetsflöden eller simuleringar, vilket möjliggör pålitlig återhämtning och inspektion av komplex kontrollflöde.

Instrumentera AI-appar för övervakning och testning

Utnyttja inbyggda hooks för loggning, övervakning och spårning för att observera produktions-AI-appar och validera beteende genom reproducerbara, inspekterbara körningar.

Fördelar och nackdelar

Fördelar

Explicit tillståndsmaskinsmodell gör logiken lätt att följa
Inbyggt spårnings-UI för felsökning av körningar
Ramverksagnostiskt – fungerar med vilken LLM eller bibliotek som helst
Stöder persistens, streaming och asynkronhet
Öppen källkod och lättviktigt

Nackdelar

Kräver Python och viss inlärning av dess abstraktioner
Mindre plug-and-play jämfört med högre nivå agent-ramverk
Mindre community än större konkurrenter

Recensioner

4.3

Genomsnitt från 4 betyg.

Logga in för att lämna en recension.

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.