Tura-AI/tura

解决的问题

Tura 解决了传统 ReAct 风格代理循环的低效问题，即模型在每次工具调用后必须反复重新进入会话。这种循环通常会导致高 token 消耗，因为系统提示需要重复传输，且上下文不断增长，还可能导致逻辑表现平庸，因为模型倾向于遵循统计上常见但次优的路径。

工作原理

Tura 采用三种主要策略来优化代理性能：

• 宏 CLI 命令：Tura 不使用多个小工具调用，而是使用 command_run 宏工具。这使得代理能够构建多步骤执行树（例如，检查、修补、构建、测试），并在单次 LLM 调用中执行，从而大幅减少往返次数。
• 逆向推理：Tura 引导 LLM 估计目标状态（$s_n$）并从目标状态反向推理到当前状态，而不是正向推理。这有助于代理在编写代码前识别根本原因并推导出最优策略。
• 运行时上下文管理：Tura 将上下文视为状态机。它使用 task_status、运行时提示和递归执行手册，将上下文限制在当前任务范围内，从而在不丢失关键执行细节的前提下，精确压缩无关数据。

适用人群

Tura 专为构建长周期自主代理的开发者设计，尤其适用于需要多步骤验证和高 token 效率的复杂编码任务。

主要亮点

• Token 效率：在特定配置下，与 Codex CLI 相比，总 token 使用量最多减少 77.5%。
• 成功率提升：在 DeepSWE 任务的 "Balanced" 模式下，成功率比 Codex CLI 高出 16.7 个百分点。
• 灵活接口：提供 CLI、TUI 和桌面 GUI 工作区客户端。
• 可扩展架构：支持自定义提供者、角色、代理和命令。