Tura: eine Rust-Agentenlaufzeit für langfristige Aufgaben
In 348 Long-Horizon-Benchmark-Sitzungen verbrauchte Tura bis zu 83,1 % weniger Runden beim Rewrite-Benchmark und verbesserte die DeepSWE-Erfolgsquote im Vergleich zu Codex CLI um bis zu 16,7 Prozentpunkte.
Auf einen Blick
- Was ist das?
- Tura reduziert in veröffentlichten Benchmarks Token- und Turn-Zahlen durch ein Makro-Werkzeug, rückwärtsgerichtetes Denken und aufgabenbezogenes Kontextmanagement.
- Für wen ist es gedacht?
- Die öffentlichen Benchmark-Artefakte decken einen begrenzten DeepSWE- und Rewrite-Aufgabensatz ab, und die README listet ausdrücklich Provider-, OS- und UI-Latenzmessungen als noch fehlend in ihrer Evidenz auf.
- Darf ich es kommerziell nutzen?
- Ja, unter strengen Bedingungen. AGPL-3.0 ist eine Lizenz mit Netzwerk-Copyleft: Wenn andere eine veränderte Version über ein Netzwerk nutzen, etwa als gehosteten Dienst, müssen Sie ihnen den Quellcode unter derselben Lizenz anbieten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 5 Tagen.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Rust, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 14. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Eine Agentenlaufzeit, die mit Benchmark-Zahlen beginnt
Tura ist eine Open-Source-Agentenlaufzeit-Harness. Die README beginnt mit einem Vergleich gegen Codex CLI über 348 langfristige Benchmark-Sitzungen und berichtet bis zu 83,1% weniger Turns beim Rewrite-Benchmark und eine Verbesserung der DeepSWE-Bestehensrate um bis zu 16,7 Prozentpunkte. Das Projekt ist in Rust geschrieben, liegt auf dem main-Zweig und ist unter AGPL-3.0 lizenziert. Die README verlinkt die offizielle Website, eine Benchmark-Seite, ein npm-Paket und ein Dokumentationsverzeichnis, anstatt die Installation aus dem Quellcode als primären Weg zu beschreiben.
Das Makro-Werkzeug command_run
Die README stellt typische Codierungsagenten, die Turns für Inspektion, Patchen, Bauen und Testen in separaten Werkzeugaufrufen verbringen, Tura's einzigem Makro-Werkzeug namens command_run gegenüber. Der Agent baut einen mehrstufigen Ausführungsbaum und führt verwandte Aktionen in einem LLM-Turn aus. Die README zeigt dieselben Befehle als eine Fünf-Turn-Werkzeugaufrufsequenz und als einen JSON-Makro-Workflow mit sechs Befehlen über vier Schritte. Sie stellt auch klar fest, dass kein Ablationstest beweist, dass command_run allein die geringere Turn- und Token-Nutzung verursacht, während sie berichtet, dass Balanced 35,8% weniger Turns und 31,1% weniger Tokens als Codex CLI verwendete und Direct 69,1% weniger Turns und 77,5% weniger Tokens.
Rückwärtsgerichtetes Denken vom Zielzustand
Die README von Tura beschreibt eine Denkstrategie, die vom Zustand unmittelbar vor dem Ziel ausgeht und rückwärts arbeitet, anstatt vom aktuellen Zustand vorwärts zu denken. Das verwendete Beispiel ist Schere-Stein-Papier: Anstatt sich auf die Textwahrscheinlichkeiten des LLM für eine Eins-zu-Drei-Wahl zu verlassen, wird der Agent geleitet, einen externen Zufallszahlengenerator aufzurufen. Für Codierungsaufgaben sagt die README, dass der Agent den Fehlerzustand rekonstruiert und die Grundursache identifiziert, bevor er Code schreibt. Im DeepSWE-Vergleich bestand Tura Balanced 10 von 60 binären Aufgabenverifizierern mehr als Codex CLI, und die README stellt dies einer 8% Lücke zwischen Denkstufen in den offiziellen mini-swe-agent-Ergebnissen von DeepSWE gegenüber.
Kontext als Laufzeitzustandsmaschine
Die README argumentiert, dass Fähigkeiten oft schwächere Prompts sind, die in den Kontext geladen werden, und dass langlebige Sitzungen alte Werkzeugausgaben und Aufgabenverlauf ansammeln, bis ein Komprimierungsturn Details verliert. Tura behandelt Kontext als Teil der Laufzeitzustandsmaschine, verwendet task_status, Laufzeit-Prompts und rekursive Ausführungsmanuale, um den aktiven Kontext auf die aktuelle Aufgabe zu beschränken. Sitzungen können umbenannt, aktualisiert und automatisch verwaltet werden; irrelevanter Kontext kann über die CLI entfernt, ersetzt oder komprimiert werden. Der Checkpoint kann Codestellen, Patches, Tests und Aufgabenstatus beibehalten. In veröffentlichten Sitzungen nahm Tura die Ausführung durchschnittlich 2,6 Runden nach der Komprimierung wieder auf, während Codex auf 5,4 Runden geschätzt wurde, da es keine äquivalenten Komprimierungsereignisse offenlegt.
Was der veröffentlichte Benchmark abdeckt
Der Benchmark-Abschnitt der README verlinkt auf DeepSWE-v1.1- und Rewrite-Aufgabenartefakte. Bei 20 DeepSWE-Aufgaben, die jeweils dreimal pro Agent ausgeführt wurden, erreichte Tura Balanced eine Verifizierer-Erfolgsrate von 80,0% gegenüber 63,3% bei Codex CLI, mit 31,1% weniger Tokens, und Tura Direct verwendete 77,5% weniger Gesamttokens mit einer Erfolgsrate von 65,0%. Beim Rewrite-Benchmark werden Tura Balanced 389/472 und Codex CLI 351/472 über jeweils 10 Sitzungen zitiert. Die README listet auch zwei separat überprüfte Designaufgaben auf. Sie sagt ausdrücklich, dass die Ergebnisse keine gleichwertige Qualität für jeden Provider etablieren und dass Anthropic/Claude, Google/Gemini, OpenAI-kompatible, lokale Provider, UI-Latenz, Laufzeitanalyse und plattformübergreifende Messungen auf der Roadmap bleiben.
Installation und Einstiegspunkte
Zwei Installationspfade sind dokumentiert. Das npm-Paket tura-ai installiert auf Mac und Linux mit npm install tura-ai und dem Befehl tura, auf Windows mit npm install -g tura-ai. Dasselbe Paket wird als @tura-ai/tura auf GitHub Packages veröffentlicht und erfordert Scope-Konfiguration und ein Token mit read:packages. Die Quellcode-Installation verwendet scripts/install.ps1 unter PowerShell und scripts/install.sh unter macOS oder Linux. Häufige Einstiegspunkte sind tura für die interaktive Terminal-UI, tura exec für einen direkten Rust-CLI-Prompt-Runner, tura run für einen Gateway-gestützten Prompt, tura bash/zsh/shel für Shell-Oberflächen, tura_gateway für ein lokales HTTP/SSE-Gateway und tura_gui für einen Desktop-Arbeitsbereichsclient. Die README spezifiziert nicht, wie sich jeder Einstiegspunkt über diese einzeiligen Beschreibungen hinaus verhält.
Lizenz und dokumentierte Evidenzlücken
Tura ist unter AGPL-3.0 lizenziert. Die Lizenz gewährt die Freiheit, die Software zu kopieren, zu verteilen und zu modifizieren, und verlangt von Betreibern von Netzwerkservern, den modifizierten Quellcode den Benutzern zur Verfügung zu stellen. Der Lizenztext behandelt keine Sicherheitslage, Unterstützung oder Garantie, und die README macht solche Behauptungen nicht. Das Repository hat 505 Sterne, 27 Forks und 9 offene Issues. Die README verweist auf ein Dokument zu bekannten Problemen für offene Architektur-, Provider-, Benchmark-, Leistungs- und plattformübergreifende Arbeiten sowie auf eine Roadmap für 0.1.x-Stabilisierungsprioritäten und einen geplanten 0.2-Aufgabenplanungsarbeitsbereich.
Redaktionelles Fazit
Die öffentlichen Benchmark-Artefakte decken einen begrenzten DeepSWE- und Rewrite-Aufgabensatz ab, und die README listet ausdrücklich Provider-, OS- und UI-Latenzmessungen als noch fehlend in ihrer Evidenz auf.
Community-Notizen