一句话定位：一个本地优先的 AI 代理工作空间，把模型消息、工具调用、权限决策全部记录为可恢复的执行日志，存在你自己的机器上。
为什么需要这个项目？
你有没有想过一个问题：你跟 AI 助手的对话，到底存在哪里？
大多数 AI 编程工具的对话记录存在云端服务器上。你关掉窗口，对话就"消失"了------不是真的删除，而是你再也找不到它了。下次打开，是一个全新的空白会话。
更麻烦的是：AI 助手帮你执行了什么操作、调用了哪些工具、做了什么决策，这些信息通常不会被完整记录。出了问题，你没法回溯"到底是哪一步出错的"。
Apache Maka 想解决的就是这个问题：让 AI 代理的每一次执行都有据可查，数据存在你自己的机器上。
Github:
它有多大？核心数据
| 维度 | 数据 |
|---|---|
| GitHub 星星 | 3,061 |
| Fork 数 | 312 |
| 语言 | TypeScript |
| 协议 | Apache 2.0 |
| 创建时间 | 2026 年 5 月 27 日 |
| 所属组织 | Apache 基金会（孵化中） |
| 桌面端 | Electron + React |
| 存储 | SQLite |
| 支持平台 | macOS（主力）、Windows（预览）、Linux（即将支持） |
Apache 孵化项目意味着：这个项目已经通过了 Apache 基金会的初步审核，正在接受进一步的基础设施、沟通和决策流程的验证。它不是一个个人项目，而是一个有组织背书的工程项目。
核心设计理念：四个"本地优先"
一、你的机器，你的数据
会话、设置、运行记录默认存在本地。你自带模型------可以是云端 API、本地模型，或者兼容的网关。Maka 不替你选模型，也不替你存数据。
二、记录会被保留
模型消息、工具调用、工具结果、每一轮对话如何结束------全部写入一个追加式日志（append-only log）。UI 和下一次模型调用只是这个日志的"视图"，不是唯一的副本。
这个设计叫做事件溯源（Event Sourcing）------它来自金融和分布式系统领域，核心思想是：不存储"当前状态"，而是存储"所有发生过的事件"。状态可以通过重放事件来恢复。
三、缩短上下文不等于删除历史
大多数 AI 工具在上下文窗口满了之后，会直接丢弃旧的对话内容。Maka 可以在下一次提示中省略旧的工具输出，但不会丢弃保存的证据。你需要的时候，随时可以回溯。
四、一个地方运行代理
桌面端、命令行、评估工具------全部通过同一个 Runtime Host 运行。这意味着无论你从哪个入口进入，底层的执行逻辑和记录格式是统一的。
三个入口，一个内核
| 入口 | 适合场景 | 当前能力 |
|---|---|---|
| 桌面端 | 日常交互、文件和工件工作流 | Electron + React，流式会话、工具时间线、分支、搜索、恢复 |
| 命令行 | 在当前项目目录使用，或运行单次非交互任务 | maka、maka run；与桌面端共享工作空间和模型连接 |
| 评估 | 可复现的基准实验 | maka eval run <spec> --out <directory> |
桌面端是目前最完整的入口，提供了完整的图形化界面：会话管理、工具调用时间线、分支（可以从任意一个对话轮次分叉出新会话）、搜索和恢复。
命令行入口适合开发者在终端中使用，跟桌面端共享同一个工作空间。
评估入口是一个比较特别的功能------它让你可以设计多臂实验，把任务 × 重复 × 对象展开成单元格，然后在 Maka 和外部对象之间做可复现的对比测试。
它解决了什么问题？
问题一：AI 执行不可追溯
当 AI 助手帮你修改了代码、运行了命令、做了决策，这些操作通常不会被完整记录。出了问题，你不知道是哪一步出错的。
Maka 的事件溯源架构把每一步都记录下来：模型说了什么、调用了什么工具、工具返回了什么、权限决策是什么。你可以像看"执行录像"一样回溯整个过程。
问题二：数据被锁定在云端
很多 AI 工具的对话记录存在云端，你没法导出、没法离线查看、没法自己备份。Maka 的数据存在本地 SQLite 数据库中，完全由你控制。
问题三：上下文丢失
AI 工具的上下文窗口是有限的，旧的对话内容会被截断。但截断不等于删除------Maka 保留完整的执行记录，即使 UI 上看不到了，数据还在。
问题四：不同入口体验不一致
用桌面端聊了半天，切到命令行又要重新开始？Maka 的 Runtime Host 是统一的底层，桌面端和命令行共享同一个工作空间和模型连接。
竞品对比
| 维度 | Apache Maka | Pi | Claude Code | Continue | OpenHands |
|---|---|---|---|---|---|
| GitHub Stars | 3,061 | 96,918 | 142,100+ | 35,600+ | 55,000+ |
| 核心定位 | 本地优先代理运行时 | AI 代理工具包 + 编码代理 | 终端 AI 编程助手 | 开源编码代理 | 开源编码代理 |
| 数据存储 | 本地 SQLite | 本地 | 云端 + 本地 | 本地 | 本地 |
| 执行记录 | 完整事件溯源 | 有限（可共享会话） | 有限 | 有限 | 有限 |
| 多入口 | 桌面/CLI/评估 | CLI/TUI | 终端/IDE | IDE | 终端/Web |
| 开源协议 | Apache 2.0 | MIT | 商业 | Apache 2.0 | MIT |
| 所属组织 | Apache 基金会 | earendil-works | Anthropic | Continue | All Hands AI |
| 模型支持 | 自带模型 | 多提供商统一 API | Claude 为主 | 多模型 | 多模型 |
| 沙箱安全 | 有沙箱边界 | 无（推荐容器化） | 有 | 有 | 有 |
| 权限管理 | 内置权限决策 | 无内置权限系统 | 有 | 有 | 有 |
重点对比：Maka vs Pi
这两个项目经常被放在一起讨论，因为它们都是 TypeScript 编写的 AI 代理运行时，但设计哲学有明显差异。
Pi （96,918 颗星）是一个编码代理工具包 ，核心是三个包：pi-ai（统一多提供商 LLM API）、pi-agent-core（代理运行时）、pi-coding-agent（交互式编码代理 CLI）。它的强项是让开发者快速构建和使用编码代理------统一的 LLM 接口、丰富的工具调用能力、终端 UI。Pi 的会话可以公开分享到 Hugging Face，帮助改进编码代理。
Apache Maka （3,061 颗星）是一个本地优先的代理工作空间 ，核心是事件溯源架构------把模型消息、工具调用、权限决策全部记录为追加式日志。它的强项是执行记录和可追溯性------每一步操作都有完整记录，数据完全存在本地，内置权限管理。
用一个类比：Pi 像是一辆性能强劲的赛车（跑得快），Maka 像是一辆带有完整行车记录仪的家用车（每一步都有记录）。Pi 让你更快地完成编码任务，Maka 让你更清楚地知道任务是怎么完成的。
互补而非替代：Pi 的 agent-core 可以作为 Maka 的底层执行引擎，Maka 的事件溯源可以为 Pi 的执行过程提供完整的审计记录。两者不是非此即彼的关系，而是在不同层面解决不同问题。
其他竞品差异总结
vs Claude Code ：Claude Code 是目前最流行的 AI 编程助手，但它绑定 Anthropic 的模型，数据存储策略不透明。Maka 的差异化在于完全本地优先 和完整的执行记录。
vs Continue ：两者都是开源的，但 Continue 更侧重 IDE 集成，Maka 更侧重执行记录和可追溯性。
vs OpenHands：OpenHands 是一个开源编码代理，但它的执行记录能力不如 Maka 完整。Maka 的事件溯源架构是一个独特的技术差异点。
为什么它值得关注？
理由一：Apache 孵化意味着什么
Apache 基金会的孵化项目需要经过严格的审核流程：基础设施、沟通机制、决策流程都要达到一定标准。这不是一个"先发布再看反馈"的项目，而是一个按照工程化标准推进的项目。
理由二：事件溯源架构在 AI 领域很新鲜
事件溯源在金融和分布式系统中已经很成熟，但在 AI 代理领域还是一个比较新的设计选择。这种架构天然支持回溯、审计、恢复------对于需要"可信执行"的场景非常有价值。
理由三：本地优先是趋势
随着隐私意识的增强和数据主权的概念普及，"数据存在自己机器上"正在从可选变成刚需。Maka 的本地优先设计顺应了这个趋势。
理由四：多入口统一架构
桌面端、命令行、评估工具共享同一个 Runtime Host，这意味着你不需要为每个入口维护不同的状态。这种"一个内核，多个前端"的设计在长期维护上有明显优势。
如何使用？
桌面端（推荐）
bash
git clone https://github.com/apache/maka.git
cd maka
npm ci
npm run dev首次启动需要在设置中添加模型连接（API 密钥或本地模型），然后就可以开始使用。
命令行
bash
npm run build
npm run cli:dev
npm run cli:dev -- run "总结这个仓库并识别最重要的风险"这个项目适合谁？
隐私敏感的开发者------不想把代码和对话记录上传到云端。
需要审计能力的团队------AI 代理的每一步执行都有完整记录，可以回溯和审查。
AI 工具开发者------Maka 的 Runtime Host 可以作为底层运行时，构建自己的 AI 代理前端。
评估研究者------Maka 的评估模块支持可复现的基准实验，适合做 AI 代理的对比测试。
Github:
总结
Apache Maka 不是又一个 AI 编程助手。它的野心不是"帮你写代码"，而是让 AI 代理的执行过程变得可追溯、可审计、可恢复。
3,061 颗星星、Apache 孵化项目、事件溯源架构、本地优先设计------这些标签指向同一个判断：这是一个认真的工程项目，不是一个概念验证。
在 AI 代理越来越强大的今天，"谁来监督 AI"正在成为一个新问题。Maka 的答案是：把每一步都记录下来，让你自己来监督。
我的理解
看完 Maka 的 README，我最欣赏的是它对"记录"的执着。
大多数 AI 工具的设计思路是：给你一个好用的界面，让你跟 AI 流畅地对话。Maka 的设计思路是：对话本身应该被当作数据来管理。
事件溯源架构的选择非常聪明。它不只是"记录日志"这么简单------它意味着状态是可恢复的、过程是可审计的、历史是不可篡改的。这些特性在金融和分布式系统中已经被验证了 decades，在 AI 代理领域可能是下一个需要的基础设施。
Apache 孵化也说明了一件事：开源 AI 基础设施正在从"个人项目"走向"组织化工程"。Maka 不是某个开发者的 side project，而是一个按照 Apache 标准推进的工程项目。这种转变本身就是一个值得关注的信号。
关注
如果你觉得这篇文章对你有帮助，欢迎关注我的公众号，获取更多优质开源项目的深度解读。