文章目录

Orca（stablyai/orca）是一个下一代 AI 开发环境（ADE），用 TypeScript 编写，采用 MIT 许可证，目前在 GitHub 上已获得超过 3,100 颗 Star，217 个 Fork。项目于 2026 年 3 月中旬创建，至今不到三个月便积累了可观的技术社区关注度。

它的核心定位很明确：让你把多个 AI 编程助手放在一起并行使用——Claude Code、Codex、Grok、Gemini、OpenCode，以及更多——每个 agent 运行在独立的 Git worktree 中，所有进度和状态统一在一个界面上管理。桌面端支持 macOS、Windows、Linux，还有一款配套的手机 App 可以在移动端监控 agent 运行状态。

老实说，2025-2026 年 AI 编程工具赛道已经非常拥挤了。Claude Code、Cursor、Cline、Copilot 都已经有了自己的一席之地。那 Orca 凭什么让我愿意专门写一篇评测？

答案在于它解决了一个真实痛点：当你同时推进多个 feature 分支、需要多个 AI agent 协作时，传统的做法是开多个终端窗口、手动切换环境、靠脑子记住哪个 agent 在做什么。Orca 把这件事变得优雅了——每个 feature branch 对应一个 worktree，Orca 负责隔离每个 worktree 的上下文，让不同的 AI agent 并行处理不同任务而不互相干扰。

作为一个经常同时维护三四个 side project 的开发者，我个人的使用感受是：Orca 的 worktree 原生设计比大多数竞品都干净。它不需要你去理解复杂的 git stash 操作，也不需要你记住哪个窗口对应哪个任务。界面上能一眼看到所有 agent 的实时状态，这种"上帝视角"在管理多个并行任务时真的很有价值。

另一个值得关注的点是它的平台广度。Orca 并不绑定某个特定的 AI agent，而是尽量兼容所有主流 CLI agent。从支持列表来看，目前已有约 40+ 个 agent 被明确支持，而且因为它采用的是 agent 检测注册机制，新的 agent 可以通过 PR 快速加入支持列表。这种开放的生态设计比封闭绑定的方案更有生命力。

根据项目 README 的描述，Orca 的设计哲学是"No login required — Bring your own subscription"。这意味着你需要自己准备 Claude Code、Codex 或其他 agent 的订阅，Orca 本身不提供服务层，只是帮你更好地组织这些工具的使用方式。

几个核心功能：

  • Worktree-native：每个 feature 拥有独立的 Git worktree，不需要 stash，不需要 branch juggling，点开就能切。
  • Multi-agent terminals：在同一界面中运行多个 AI agent，支持 tab 和 pane 布局，随时看到哪个 agent 在活跃。
  • Built-in source control：内置 diff 审查和 commit 功能，AI 生成的代码变更可以在 Orca 内直接 review 和提交。
  • GitHub integration：PR、issues 和 Actions 状态自动关联到每个 worktree，不需要在多个标签页之间来回切换。
  • SSH support：可以直接连接到远程机器，在远程机器上运行 agent，适合云端开发场景。
  • Mobile companion app：iOS 和 Android 都有配套 App，可以在手机上查看 agent 状态、标记线程为已读/未读。

从 README 的描述来看，Orca 的野心并不小——它想要成为 AI 编程 agent 的"操作系统层"，而不是另一个孤立的 CLI 工具。这种定位让它和普通的 agent wrapper 拉开了差距。

假设你正在开发一个新功能，同时有一个 bug 需要修复，还有一个实验性的重构需要验证。传统做法是开三个终端窗口，切换环境，记住每个窗口的状态。Orca 可以让你为每个任务创建独立的 worktree，然后分别在不同 pane 中启动 Claude Code、Codex 等 agent。所有 agent 的状态都在侧边栏可见，不需要记忆。

当你负责多个仓库的代码质量时，可以在 Orca 中同时打开多个 worktree，对应不同的仓库。每个 worktree 绑定一个 agent，专门负责该仓库的代码审查和 PR 检查。GitHub 集成会自动拉取 PR 状态和 Actions 检查结果，review 时不需要在 GitHub 网页和本地终端之间来回跳转。

如果你需要在远程服务器上跑 agent（比如需要更强算力或者特定环境），Orca 的 SSH 支持允许你直接在远程机器上启动 agent，结果同步回本地 UI。这个场景对那些有高配远程开发机的团队特别有用。

以下是我自己整理的上手步骤，不依赖 README 中的示例代码，而是基于实际使用流程编写。

# macOS via Homebrew
brew install --cask stablyai/orca/orca

# Linux via AUR (Arch)
yay -S stably-orca-bin

# 或者直接下载最新 Release
# 访问 https://github.com/stablyai/orca/releases/latest

首次启动 Orca，它会引导你配置第一个 worktree。默认会扫描当前目录的 Git 仓库。

# 在你的项目目录下初始化
cd ~/projects/my-awesome-app
orca init

Orca 本身不提供 AI 能力，你需要准备自己的 agent。以下是连接 Claude Code 的示例：

# 确保 Claude Code 已安装并配置了 API key
claude code --version

# 在 Orca 中添加 agent
orca agents add claude

# 创建新的 feature worktree
orca worktree create feature/auth-refactor

# 在新 worktree 中启动 agent
orca run --agent claude --worktree feature/auth-refactor

# 并行打开多个 agent tab
orca tab new --agent codex --worktree feature/api-v2
orca tab new --agent gemini --worktree bugfix/login-loop

# 查看所有 agent 状态
orca status

整个上手过程对有 CLI 工具使用经验的开发者来说非常友好，文档清晰，不需要踩太多坑。但需要注意的是，首次配置 agent 时需要确保 agent 的路径在系统 PATH 中，Orca 依赖自动检测机制。

  • Git Worktree 原生集成：Orca 的 worktree 模型是真正的 Git native 实现，而非模拟。每个 worktree 对应一个真实的 git worktree，数据隔离完整，不会出现传统多 tab 方案中的状态污染问题。这也是我认为 Orca 和简单 terminal multiplexer 方案最大的不同点——它不只是分屏，它是真正隔离了执行上下文。
  • 全平台覆盖 + 移动端监控：Orca 同时支持 macOS/Windows/Linux 三大桌面平台，并提供了 iOS App Store 和 Android APK 两种移动端监控方案。这种"一处操作、多端可见"的设计对远程开发者非常有吸引力。
  • 开放 agent 注册机制：通过 agent 检测注册表，Orca 可以动态发现系统中安装的 CLI agent，并通过 PR 流程快速添加新 agent 支持。这种开放生态避免了绑定单一 provider 的风险，用户可以根据任务需要灵活切换不同的 AI 模型。

⭐ 3,146 | 📈 今日持续增长 | 🏷️ MIT License | 💻 TypeScript

Orca 于 2026 年 3 月 17 日创建，不到三个月便积累了超过 3,100 颗 Star，增长速度在同类 AI 开发工具中属于较快水平。考虑到项目至今仍保持高频率更新（最近 push 时间 2026-05-24），预计 Star 数还会持续攀升。

Orca 最直接的竞品是 openclaw/clawhub（同样是 skill directory + agent 管理平台）和 Claude Code / Cursor 内置的多 agent 功能。

相比 Claude Code 内置方案，Orca 的优势在于真正的多 agent 并行和 worktree 隔离——Claude Code 本身是单 agent 设计，多开 instance 需要手动管理端口和上下文。相比 clawhub，Orca 更偏向于本地开发环境集成，而 clawhub 更侧重于 agent skill 的分享和管理。如果你的需求是"多个 AI 帮我并行开发不同任务"，Orca 是目前最成熟的解决方案；如果你的需求是"获取高质量的 agent skills"，clawhub 更适合。

这是 Orca 社区关于"工作区分组"功能的讨论。用户 @chansantheman 提出希望能够将多个 agent 的 worktree 分组管理，比如将同一个 feature 的多个 agent（Gemini、Codex、Claude）归到一组，与其他 feature 的 agent 分开。这本质上是一个工作流组织需求。

维护者 @nwparker 在讨论中展示了非常早期的 UI 草图，计划支持在侧边栏中手动创建跨仓库的 agent 分组，并配以共享的颜色标识。这个功能如果实现，会大大提升 Orca 的工作流组织能力。

💬 个人点评：这个功能方向的讨论说明 Orca 的用户已经开始从"尝鲜"走向"深度使用"，对工作流组织有真实需求。对比 GitHub Copilot 的单一 agent 模式，Orca 的多 agent 场景确实是它独特的价值所在。

用户 @maco222 提出了一个 declarative layout 功能请求，希望在 orca.yaml 中声明工作区的布局规则（比如编辑器在左上、终端在左下、浏览器在右侧），这样团队成员克隆仓库后能自动获得一致的工作区布局。

用户 @prateek 在讨论中补充了一个实际使用场景：当在编辑器中 Cmd+点击一个 HTTP 链接时，希望自动在右侧 pane 中打开新标签页而不是在当前活跃 pane 中打开。这个需求被维护者认可，已经在推进实现中。

💬 个人点评：这类 declarative config 的讨论很有意思——说明 Orca 正在从"单用户工具"向"团队协作工具"演进。如果 declarative layout 能落地，对于有标准化工作流需求的团队会很有吸引力。

这是一个功能实现 PR，用户 @slashdevcorpse 为 Orca 添加了 orca issue create CLI 命令，支持通过 Orca 本地运行时创建 GitHub 或 Linear issues。

PR 作者在实现中修正了 CLI help 处理逻辑，使得 orca issue --help 返回组帮助而不是"未知命令"错误，并补充了完整的回归测试覆盖（4 个文件，24 个测试用例）。维护者 @AmethystLiang 审阅后表示认可。

💬 个人点评：CLI 层面的 issue 创建功能虽然小，但体现了 Orca 向"完整开发工作流覆盖"方向发展的思路。这种细粒度的功能补全是成熟开源项目常见的演进模式。

  • Agent 检测不到？ Issue #2054 报告了某些 CLI agent（如 Kiro）不在 Agents Tab 中显示的问题。这是因为 Orca 使用 agent 检测注册表，如果你的 agent 没有被正确注册，需要通过 PR 向项目中添加支持。目前已知受影响的是一些较新推出的 agent 工具。
  • Android 版本更新滞后：Issue #1845 中有用户反映 Android APK 更新不及时。桌面版更新后 Android 版本可能还在旧版本，导致功能不同步。这个问题目前没有自动更新机制，需要用户手动下载最新 APK。建议关注 GitHub Releases 页面获取最新版本。
  • Worktree 冲突：如果你在同一台机器上同时使用了其他 Git worktree 工具（如 SourceTree 等），Orca 的 worktree 管理可能与之产生冲突。建议在使用 Orca 期间关闭其他 Git GUI 工具的自动 worktree 管理功能。

Orca 是一个定位独特的 AI 开发环境工具，它的最大价值在于将"多 agent 并行"从概念变成了实际可用的工作流。对于需要同时处理多个任务、使用多个 AI 模型的开发者来说，它是目前市面上为数不多的成熟解决方案之一。

从我的个人使用体验来看，它的学习曲线非常平缓——只要你会用 Git 和基本的 CLI agent，上手 Orca 几乎不需要额外学习成本。worktree 隔离的设计让它比简单的 terminal multiplexer 方案更可靠，而移动端配套 App 则给它的使用场景增加了更多可能性。

当然，它目前还比较年轻（2026 年 3 月才创建），某些功能（如 declarative layout、workspace groups）还在开发中。如果你是追求稳定的团队用户，可能需要等待这些功能更成熟后再全面采用。但如果你想提升多 agent 协作开发效率，Orca 绝对值得一试。

🔗 更多 GitHub 热门开源项目：Developer Tools