Apache Maka：日志即运行时，把 AI Agent 的每一步都变成可回放的真相
你是否曾经被 AI Agent 的”黑盒感”折磨过——它调用过哪些工具、为什么被拒绝、上下文是怎么被裁剪的、上一次跑挂了之后到底丢没丢数据，全靠猜？Apache Maka (Incubating) 的出现，正是为了彻底解决这个问题。它是一个本地优先（local-first）的 AI Agent 工作台，用”追加写入的事件日志”作为整个运行时的唯一事实来源：模型消息、工具调用、工具结果、权限决策、终止事件，全部记录为一条条不可变写的 RuntimeEvent。本文将带你全面了解这个正在 Apache 孵化器中的潜力新星。
换句话说，Maka 的野心不是再做一个”更聪明的 Agent”，而是做一个可度量、可审计、可恢复的 Agent 运行底座。它甚至直接把评测结果摊在台面上：同一模型、同一官方验证器、逐任务完整记录，全部随报告一起发布在仓库的 docs/eval/ 目录里——”Measured, not claimed”（用度量说话，而不是靠宣称）。
截至收录：
Apache Maka项目stars数：5525
Apache Maka项目forks数：511
Apache Maka项目目录截图
Apache Maka核心亮点
📜 亮点一：日志即运行时（The Log is the Runtime）
这是 Maka 最核心的设计哲学。每一次模型消息、工具调用、权限决策与终止，都会成为一条仅追加（append-only）的 RuntimeEvent。UI 是日志的投影，下一个提示词是日志的投影，崩溃恢复同样是日志的投影——它们都不是唯一的那一份拷贝。这带来一个非常实用的能力：旧的工具输出可以从”下一个提示词”里退场，却永远不会从日志里消失。上下文可以瘦身，历史不会被抹掉。
📊 亮点二：Measured, not claimed（可度量，而非自夸）
Maka 把”Agent 框架好不好用”这件事拉回到一个硬指标上：任务完成率和成本。它用同一模型、同一官方验证器与其他 harness 横向对比，并且把逐任务的完整运行记录随报告一起公开。对做 Agent 研究的团队来说，这种透明度比任何 benchmark 榜单截图都有说服力。
🏠 亮点三：你的机器，你的模型（Local-first）
会话、配置、运行记录全部留在本地。Maka 不捆绑任何共享模型账号，模型由你自己带入：云端 API、本地模型，或者任何兼容网关。默认情况下，工作区数据落在 Electron 的 userData 目录下：
<Electron userData>/workspaces/default/
runtime.sqlite # 实时运行记录（唯一活数据）
connection-catalog.json
credential-vault.json # API Key 等密钥，本地明文文件
settings.json
artifacts/
密钥只对当前操作系统账户可读，渲染进程（Renderer）永远看不到它们；而任何写文件或执行 Shell 的工具，都必须先穿过沙箱边界。
🧭 亮点四：One Runtime Host（一个执行权威，多种前端形态）
Desktop、TUI、CLI 以及 Eval，全都是同一个执行权威 Runtime Host 的瘦客户端；Eval 只负责实验与打分本身。后端主干非常清晰：
Desktop / TUI / CLI → Runtime Host → SessionManager → AgentRun
↓
Model + Tool Runtime → Runtime Event Log
↓
Context / Session / UI projections
Experiment → Cells → Attempts → Results
↓
Runtime Host executes Maka subjects
🛟 亮点五：可恢复与安全边界
中断的一轮对话可以恢复——但默认关闭，因为恢复会真正打模型、消耗 token。只有在你显式设置 MAKA_RUNTIME_SAFE_BOUNDARY_RESUME=1 后，Desktop Safe 恢复、CLI 的 /resume 以及启动时自动恢复才会生效。此外，开发者还可以在 npm run check:release、smoke:real-window、e2e 等命令下做真实窗口与视觉验证。
🔌 亮点六：MCP 与计算机使用（Computer Use）原生支持
仓库中 packages/mcp/ 提供与供应商无关的 Model Context Protocol 客户端集成，packages/computer-use/ 则负责计算机使用后端的选择、宿主生命周期与协议适配；native/ 下还有用 Rust 编写的 direct-peer 原生插件与 gitoxide 辅助模块。扩展性从架构层面就已经预留好了。
Apache Maka快速开始
需要说明的是，Maka 目前尚未发布 Apache 正式版本（Apache Release）。官方渠道提供的是每日构建的 Desktop Nightly（支持 macOS Apple Silicon / Intel、Windows x64、Linux x64 与 arm64，其中 Windows 与 Linux 为未签名预览版，不适用于生产环境）。如果你想尝鲜或参与开发，从源码构建是最直接的路径。
1. 环境准备
- Node.js 22.19 或更高版本（CI 使用 Node.js 24）
- npm（锁文件与脚本均基于 npm，当前
packageManager为 npm 11） - Git
- ripgrep（Runtime 的 Grep 工具依赖它）
若要开发 Direct Peer 与 Peer Mesh，还需要 Rust stable 1.98+ 以及对应平台的链接器（macOS 上的 Xcode Command Line Tools、Windows 上的 MSVC Build Tools）。
2. 克隆并启动 Desktop
git clone https://github.com/apache/maka.git
cd maka
npm ci
npm run dev
npm run dev 会以 HMR 模式启动 Desktop 开发环境。若希望先构建全部 workspace 再启动 Electron：
npm run dev:full
启用 peer 能力的入口（会先构建原生插件）：
npm run dev:peer # HMR
npm run dev:full:peer # 全量构建
3. 首次运行：接入你自己的模型
Maka 不附带共享模型账号，首次启动后请按下面四步操作：
- 打开 Settings → Models；
- 添加 API、本地模型或受支持的账号连接；
- 测试连接并选择默认模型；
- 回到工作区，开始你的第一个任务。
应用会明确区分”已配置””可发送””实验性”三种连接状态——一个尚未接入 Runtime 的账号流程，不会被伪装成可用模型。
4. 终端入口：TUI 与 CLI
先构建 workspace：
npm run build
然后启动 TUI，或直接跑一个 Turn：
npm run cli:dev
npm run cli:dev -- run "Summarize this repository and identify its most important risk"
npm run cli:dev -- run --graph "Implement two independent slices, integrate them, then review the result"
npm run cli:dev -- --help
TUI 中同样支持 /graph on、/graph off 与 /graph <task>。非交互式的 --graph 运行会等待持久化 Graph 完成后再打印最终 supervisor 输出；而 Graph 的实现算子使用相互隔离的 Git worktree，因此源项目必须是一个干净的 Git 工作树。
5. 开发与验证
提交改动前建议按变更范围执行：
npm run build
npm run typecheck
npm test
npm run check:release
也可以单独隔离运行某个 workspace 的测试：
npm --workspace @maka/runtime run test:dist
npm --workspace @maka/eval run test:dist
npm --workspace @maka/desktop run test:dist
Apache Maka应用场景
场景一：长链路、多步任务的编排与复盘
当你需要 Agent 完成”实现两个独立切片 → 集成 → 审查结果”这类复杂任务时，可以用 --graph 让多个算子在不同 Git worktree 中并行工作，再由 supervisor 汇总。由于全程以事件日志记录，事后复盘每一步决策与工具输出都非常直接。
场景二：隐私敏感场景下的本地 Agent 助手
代码审查、内部文档处理、涉及凭据的操作——这类场景往往不允许把数据送到第三方托管平台。Maka 的会话、设置与运行记录都留在本机，模型可以走本地推理或你自己的兼容网关，密钥仅以本地文件形式存在且对渲染层不可见。
场景三：Agent 框架的评测与研究
packages/eval/ 提供 Experiment → Cells → Attempts → Results 的完整抽象，以及执行器与受试对象适配器。研究者可以用同一模型、同一官方验证器横向对比不同 harness，并把逐任务记录随报告一并公开，让结论经得起检验。
场景四：桌面、终端、批处理三态通吃的工作流
同一个人，可能上午在 Desktop 上做交互式探索，下午在 TUI 里盯着 /graph 跑批量重构，晚上在 CI 中用 CLI 跑一次非交互任务。因为三者都是同一个 Runtime Host 的瘦客户端，行为一致、记录同源。
用户案例：作为 Apache 软件基金会孵化器项目，Maka 由 Apache Incubator PMC 赞助。项目仍在积极开发中，数据格式、CLI 命令与实验性能力都可能发生变化；DESCLAIMER-WIP 中记录了当前已知的问题。
Apache Maka链接
结语：大多数 Agent 项目的卖点是”更聪明”，而 Maka 的卖点是”更诚实”——它把每一步都写进不可篡改的日志里，把每一次评测的原始记录都放进仓库里，把每一个模型选择权都交还给你。如果你正在寻找一个可审计、可恢复、本地优先的 Agent 工作台，Apache Maka 值得加入你的关注列表。apache / maka项目地址：https://github.com/apache/maka
本文地址：https://www.tgoos.com/46674
