我做了一个可以看 skill， agent，和插件是否真的能提高成功率和减少 token 的测试架构

[yohjisakamoto]

哈喽，这个月早些时候，我发布了 Tura ，并写了几篇博客，探讨了长周期基准评估对 Agent 测试框架的重要性。 https://turaai.net/blog#token-saving-plugins-are-mostly-stupid-idea

在过去的两周里，我看到越来越多的科技 KOL 陆续发布了他们对现有 Token 节省插件（比如 RTK 和 Ponytails ）的测试结果： https://blog.jetbrains.com/ai/2026/07/rtk-claude-code-token-savings/

https://github.com/Tura-AI/benchmark/tree/main 这个 tura-benchmark 框架是和 Tura Agent 一起发布的，但我一直没机会好好介绍它的工作原理。实际上，这个框架可以统一调度基准测试的运行流程，并以相同的结果 schema 导出日志和测试产物。之后，tura-benchmark 网站会通过 CI 自动索引 results 文件夹中发布的所有结果，绘制成图表，并将所有数据直观地展示在前端。

欢迎大家提供一些想测的插件和测试用例，我会在框架中跟进支持；任何人也都可以直接在本地环境中复现这些基准评估，并通过提交 PR 把结果推送到 GitHub 仓库，CI 流程会自动完成结果的索引。

大家可以直接回复这篇帖子，或者在 benchmark 仓库里提交 Issue 。

[xy2401]

没有实际的测试报告吗 我真的好奇 不同 skill/没有 skill 在不同模型下的差异