coding agent 的 5 個回合 vs 1 次 command_run：完整例子

先說明：我是開源專案 Tura 的維護者。

給開發 coding agent 的人一個很簡單的想法：不要讓模型在可預測的每一步都重新醒來。

一般工具呼叫會變成 5 個 LLM 回合：

Turn 1 — 檢查
rg -n "TODO|command_run|handler" crates/
rg --files crates/runtime/src crates/tools/src

Turn 2 — 套用 patch

• // old command handler logic

• // patched command handler logic

Turn 3 — 建置
cargo build -p runtime

Turn 4 — 測試
cargo test -p runtime --lib

Turn 5 — lint
cargo clippy -p runtime --all-targets

真正的額外成本，不只是這些命令，而是模型醒來 5 次，並且每次都要重新讀取越來越長的對話。

Tura 提供一個叫 command_run 的 Macro 工具。Agent 可以一次送出同一個工作流程：

{
"name": "command_run",
"arguments": {
"commands": [
{ "step": 1, "command_type": "shell_command", "command_line": "rg -n "TODO|command_run|handler" crates/" },
{ "step": 1, "command_type": "shell_command", "command_line": "rg --files crates/runtime/src crates/tools/src" },
{ "step": 2, "command_type": "apply_patch", "command_line": "*** Begin Patch\n*** Update File: crates/tools/src/command_run/handler.rs\n@@\n- // old command handler logic\n+ // patched command handler logic\n*** End Patch" },
{ "step": 3, "command_type": "shell_command", "command_line": "cargo build -p runtime" },
{ "step": 4, "command_type": "shell_command", "command_line": "cargo test -p runtime --lib" },
{ "step": 4, "command_type": "shell_command", "command_line": "cargo clippy -p runtime --all-targets" }
]
}
}

建置、測試與 lint 都還是會執行，只是不需要在可預測的步驟之間再次呼叫 LLM。

在完整 DeepSWE 比較中，Balanced 比 Codex CLI 少 35.8% 回合、少 31.1% Token；Direct 少 69.1% 回合、少 77.5% Token。接近 80% 是這次 benchmark 的結果，不是每個任務的保證。

GitHub: github.com/Tura-AI/t...

Benchmark: turaai.net/benchmark