marimo

🔬 重新定义 Python 笔记本：marimo 深度解析

你是否有过这样的经历：Jupyter Notebook 跑了一半，想改个参数重新跑，结果发现某个单元格的状态和预期不一致——变量还残留着之前的值，输出和代码对不上，整个人都懵了。这种"隐式状态"问题在数据探索时极其恼人，也是 Jupyter 最被诟病的痛点之一。 marimo 正是为解决这个根本性问题而生的。2026年5月最新版本 0.23.8，GitHub Star 突破 21,000，Fork 数超过 1,100，已经成为 Python 数据科学社区中最具影响力的新一代交互计算工具之一。它将"响应式编程"（Reactive Programming）引入 Python 笔记本，用 DAG（有向无环图）自动管理单元格之间的依赖关系，每次操作后自动重新运行所有受影响的单元格，从根本上消除了隐式状态带来的混乱。 图1：marimo 品牌标识

🔍 背景故事：从科研工具到 AI 原生 IDE

marimo 由前 Google 研究员创立，项目于 2023 年正式开源。其核心理念是"笔记本应该是可重现的、可版本控制的、可部署的"。与传统 Jupyter Notebook 的 .ipynb JSON 格式不同，marimo 笔记本直接存储为 .py 纯 Python 文件，天然兼容 Git diff，可以像普通代码一样进行代码审查和合并冲突。这解决了数据科学团队协作中最大的痛点——Notebook 合并冲突几乎不可维护的困境。 项目当前采用 monorepo 架构，核心代码在 marimo/ 目录下，包含 _server（Web 服务器）、_runtime（响应式执行引擎）、_ast（抽象语法树处理）、_plugins（UI 插件系统）等关键模块；前端使用 React + Tailwind CSS 构建在 frontend/ 中；同时维护了 packages/ 下的独立工具包：LSP（Language Server Protocol）、OpenAPI 代码生成、pytest_changed（仅测试已修改代码）等，形成了一个完整的开发者生态。 图2：marimo 响应式数据流依赖图，单元格之间的依赖关系清晰可见

💡 类比理解：给笔记本装上"智能大脑"

可以把 marimo 想象成一个自带条件反射的笔记本。在 Jupyter 里，笔记本像一张白纸——每次运行什么、保留什么状态，全凭你手动管理；而 marimo 则像一本有"智能大脑"的笔记本——当你修改了一个单元格，它会自动判断哪些地方依赖了这个变化，然后精准地重新计算，就像身体的免疫系统一样自动响应外部刺激，而不需要你每次手动重启整个内核。 这种响应式模型在 UI 交互上体现得尤为优雅：滑块（slider）、下拉框（dropdown）、表格等 UI 控件直接绑定到 Python 变量，拖动滑块时依赖它的图表、计算结果会自动刷新，整个过程无需写任何回调函数——这在传统 Jupyter 生态中需要 ipywidgets + 复杂回调才能实现。 图3：marimo Web UI 界面，支持实时滑块绑定和响应式图表刷新

⚙️ 核心功能与架构

响应式执行引擎是 marimo 的技术核心。marimo/_runtime/ 目录下的执行器维护了一个 DAG 拓扑结构，每个单元格的执行结果缓存在内存中。当单元格发生变化时，运行时通过拓扑排序确定所有受影响的下游单元格，然后按依赖顺序重新执行。这个设计与 Vue/React 的响应式系统一脉相承，但针对 Python 语义（变量作用域、副作用控制）做了专门适配。 SQL 一流支持是另一个亮点。marimo 支持直接在笔记本中编写 SQL 查询语句，数据源涵盖 Pandas DataFrame、SQLite、PostgreSQL、BigQuery、Snowflake 等主流数据库。查询结果直接转化为 DataFrame 可视化，SQL 编辑器内置语法高亮和 lint，功能完整度堪比专业 SQL IDE。 部署能力：marimo 笔记本可以直接导出为 Python 脚本（marimo run script.py），也可以部署为独立的 Web 应用（marimo deploy app.py），后者内置 uvicorn + Starlette 服务器，支持多用户会话管理俨然一个小型的数据应用平台。 图4：marimo 的 SQL 单元格功能，支持多种数据库并内置语法检查 Python >= 3.10 是最低门槛要求。核心依赖精简克制：Starlette（Web 框架）、uvicorn（ASGI 服务器）、narwhals（统一 DataFrame API）、msgspec（高性能序列化）、pyzmq（进程间通信，用于沙箱和并行执行）。项目大量使用类型注解，代码质量较高。 图5：DataFrame 交互式表格，支持列排序、过滤和内联编辑

⚠️ 争议与局限

marimo 的响应式模型虽然优雅，但也有其约束：每个单元格必须是纯函数或对外部状态的无副作用操作，复杂的状态管理可能需要额外设计模式。此外，作为一个相对年轻的项目（2023年起步），其生态丰富度（如插件市场）相比 Jupyter 仍有差距。项目团队规模较小，某些前沿 AI 框架的适配可能存在延迟。

🚀 行业意义

marimo 的出现代表了 Python 交互计算工具的一次范式升级：从"记录执行过程"到"声明响应关系"。随着 AI 编程工具（如 Cursor、Claude Code）的普及，纯文本 .py 笔记本格式的 git 友好特性显得愈发重要——AI agent 可以像处理普通代码一样对 marimo 笔记本进行 diff、merge 和重构，这为 AI 原生化的工作流打开了新的可能性。 截至 2026年5月，marimo 已进入快速发展期，活跃 commit 保持在每周多次迭代，Cloud 部署和企业功能正在推进中。如果你厌烦了 Jupyter 的状态混乱，或正在寻找一个更适合 AI 协作的交互计算工具，marimo 值得认真关注。 图6：marimo 团队