普通 agent 每完成一步，都要把结果带回模型，再让模型把 ID 填进下一次调用。Tura 的 command_run Macro 想解决的是这段“交接”：一次描述依赖图，前一步成功产生的变量给后一步在运行时解析；没有依赖的命令可以一起执行。
公开的电商广告工作流里，两边都通过同样 5 项检查、交付相同结果。Tura Direct 用 3 次模型请求，对照为 11 次；总 token 是 56,372 对 262,915 （少 78.6%）。有意思的是 MCP 调用不是更少，而是 11 对 9：省下的是把累计上下文反复送回模型的成本，不是少干活。
依赖链更长时，Macro 内每保留一次交接，就少一次模型重入，所以这部分节省会累积；但不是所有任务都严格线性，缓存、重试和任务结构都会影响结果。
完整 trace 、基准边界和变量继承规则：
https://turaai.net/blog#what-we-learned-from-the-mcp-workflow-benchmark
源码：
https://github.com/Tura-AI/tura
说明：本文分享 Tura-AI 的工作，欢迎讨论这个思路在你们的 MCP 工作流里是否有效。之前看 deep swe 说 https://github.com/swe-agent/mini-swe-agent 比 codex 和 claude code 在 debug 中的 token 消耗和成功率都要好，我今天自己跑了一下，用 gpt5.6 sol 开 high 基本 token 开销比 codex 少 50%，成功率也高 15%左右。下面是我跑的测试数据：
https://turaai.net/benchmark
本来是想给我的宏命令做消融试验，但是单独只是改执行，不改提示词，token 消耗其实只减少了 16%左右，成功率提高 11%左右。
下面是 deepswe 官方的解释：
https://deepswe.datacurve.ai/blog/deepswe
简而言之如果光 debug mini swe agent 好像明显好过模型厂商的官方 agent harness 。
