Agent運行時在DeepSWE中減少80%的LLM調用次數，成功率更高

Tura是一個開源的本地編碼代理，專為開發者設計，旨在解決現有編碼代理中常見的模糊技能聲明、缺乏證據的令牌節省擴展以及無判斷力的代理破壞代碼庫等問題。在最新的DeepSWE v1.1基準測試中，Tura展示了顯著的優勢。

測試在20個DeepSWE任務上進行，每個任務運行60個會話，使用GPT-5.6 SOL模型並設置高推理努力度。Tura提供了兩種配置：Direct和Balanced。Direct配置通過減少重複上下文和模型往返，實現了83.5%的令牌節省，驗證器成功率為65.0%，而官方Codex CLI High配置的成功率為60.0%。Balanced配置則將節省的預算更多地用於推理、調查和驗證，達到了80.0%的成功率——比Codex CLI High高出20個百分點——同時仍使用49.6%更少的令牌。

Tura的核心創新之一是宏CLI命令工具。與傳統編碼代理需要多次工具調用（檢查、等待、修補、等待、構建、等待、測試、等待）不同，Tura通過一個名為command_run的宏工具，將多個相關操作合併到一次LLM調用中。例如，傳統代理需要五次LLM調用來完成檢查、修補、構建、測試和lint驗證，而Tura只需一次結構化宏工作流即可完成。

另一個創新是反向推理策略。傳統代理從當前狀態逐步推理到目標狀態，但LLM作為統計歸納模型，傾向於生成統計上更常見的代碼和邏輯，這往往平庸且未經深思。Tura引導模型先統計估計前一個狀態，然後從該狀態向後推理，從而找到更優的解決方案。在編程任務中，這意味着代理在編寫代碼之前，會先推理完整的執行路徑，重建失敗狀態並確定根本原因。

Tura的運行時上下文和提示管理器也不同於傳統框架。傳統代理通常將技能文件、工具輸出和過時任務歷史累積到會話中，導致上下文過大，重要細節可能丟失。Tura將上下文視為運行時狀態機的一部分，通過任務狀態、運行時提示和遞歸執行手冊來保持活動上下文侷限於當前任務。這使得上下文更精簡，令牌成本更低，並且減少了舊技能或模糊摘要誤導當前任務的機會。

Tura的代碼庫託管在GitHub上，可通過npm安裝（tura-ai），也支持從源碼構建。它提供了CLI、TUI和GUI多種界面，並支持自定義提供商。安裝和配置非常簡單，用户可以在首次啓動時配置LLM提供商並選擇模型。

儘管這些結果令人鼓舞，但Tura團隊承認，尚未針對每個配置的提供商建立等效的質量或性能。更廣泛的測試包括Anthropic/Claude、Google/Gemini、OpenAI兼容提供商、本地提供商、UI延遲、運行時/會話解析和跨操作系統測量，這些仍在路線圖中。