同一个模型，换九个壳，89 道题能差出 24 道——这件事比任何”Agent 平台排行榜”都更值得看一眼。
Terminal-Bench 2.1 上，DeepSeek V4 Flash、reasoning 拉满、官方 verifier，九个 harness 跑同一批 89 道题：Codex 82.0%，第二名是一个绝大多数人没听过的项目 Apache Maka 77.5%，后面依次是 Pi 74.2%、DSH 73.0%、ZCode 70.8%、Reasonix 67.4%、OpenCode 65.2%、Kimi Code 59.6%，Claude Code 55.1%。头尾差 26.9 个百分点，等于 24 道题。
Maka 现在的账面是 5,922 星、566 个 fork，2026 年 5 月 27 日建的仓库，8 月 13 日进 Apache 孵化器，10 月 8 日发布首个 Apache 正式版 0.2.0。
它到底是个什么东西
官方一句话定义：高性能 Agent 工作区，把它做过的每件事完整记下来。
翻成大白话——横向 Agent 平台里它属于最不讨巧的第三条路：不卖连接器（那是 Zapier、Make 的生意），不卖拖拽画布（那是 Dify、Langflow 的路），它卖的是可回放。
形态上是 Electron 桌面端 + TUI/CLI + Bot 客户端 + 评测客户端，TypeScript 写的，Apache-2.0。macOS 是正式支持，Windows 和 Linux 还挂着 preview。不捆绑任何模型账号，API、本地模型、兼容网关自己填。
四个设计，决定了它跟别人不一样
日志即运行时。 模型消息、工具调用、授权决定、终止，每条都是只追加的 RuntimeEvent。界面、下一轮 prompt、崩溃恢复全是这份日志的投影。上下文裁剪和压缩只改投给模型的输入，不改历史——老的工具输出可以离开 prompt，但离不开日志。
一个 State Root 只有一个 Runtime Host。 桌面端、TUI/CLI、Bot、eval 都是薄客户端，谁也不能为同一份状态再开一个 Runtime。多机场景靠 Peer Mesh 管成员和连接，但它不合并写入权威：多个 Host 可以并存，各管各的状态根。
Agent Graph 用子 Session 调度依赖任务，每次激活都回到同一个 Runtime，不另起炉灶。
eval 只拥有实验语义。 Experiment 一次展开成 Cell（任务 × 重复 × 被测对象），Attempt 不可变，同一个 Cell 有多次尝试时取最早的有效结果——操作者不能挑一个好看的数字上报。
数字摆在这儿
九臂横评里，Maka 69/89（77.5%），全程成本 1.815 美元，每通过一题 0.026 美元；Pi 的单题通过成本最低，0.0197 美元。九个壳都通过的题 28 道，都挂的 5 道（extract-moves-from-video、filter-js-from-html、gcode-to-text、make-doom-for-mips、torch-pipeline-parallelism）——这批题更像当前 harness 的公共天花板，而不是某家的短板。
单挑 OpenCode 更细：61/89 对 49/89，配对后 16:4，精确 McNemar 检验 p=0.0118；预算耗尽 15/89 对 24/89；每通过一题成本 0.03172 对 0.03171 美元，基本打平。
上手
git clone https://github.com/apache/maka.git
cd maka && npm ci && npm run dev:full
Node 22.19+（23 不支持）或 24+，要装 ripgrep（Grep 工具依赖它），玩 Peer Mesh 还得 Rust 1.98+。第一次启动进 Settings → Models，填 API 或本地模型，测通、选默认模型，就能开任务。不想编译就去下载页拿安装包，但官方口径很硬：签名的源码包才是 Apache 发布，安装包只是”便利产物”。
几句实话
星数和参与度不成比例。 5,922 星、566 fork，watch 只有 25 个，未关 issue 465 个。Apache 孵化期靠一百多个贡献者扛 465 个 issue，triage 才是接下来半年的硬仗。
nightly 一天一发。 10 月 26 日已经是 0.2.2-dev.101，正式版还停在 0.2.0。dev 包别往生产塞，这是常识但每年都有人踩。
自评 benchmark 的边界它自己写清楚了。 九臂不是同一批同时跑的（DSH 是后补的），所以排名是描述性而非配对因果；p=0.0118 也只对这套固定的 89 道题成立。愿意把这句话印在报告里的项目，比只贴一个冠军数字的可信。
跨平台还是半成品。 macOS 正式，Windows/Linux 写着 preview——国内一堆 Linux 开发机看到这两个字，就该知道可能要自己解决编译。
谁该上
想要”每一步都能查”的本地 Agent 工作区、并且愿意自带模型的开发者，值得花一个下午编译跑一遍。你要的是拖拽搭流程，别绕路，Dify、Langflow 更顺手；要接几千个 SaaS，Zapier、Make 才是对的；只想让长任务断了能续，Trigger.dev 那条路更直接。三条赛道怎么分，之前那篇横评讲得更细。
Maka 的赌注其实很小也很硬：Agent 干活干得对不对，最后得能拿出来重放给人看。这个需求现在还不算大众，但只要 Agent 开始碰钱、碰生产库，它就会变成刚需。
