Trae Agent auf einen Endpoint für jedes Modell zeigen.

Kurzantwort: ein Provider-Block, ein Modell-Block.

Trae Agents aktuelle Konfiguration ist YAML: trae_config.yaml im Projektverzeichnis, mit drei relevanten Blöcken. model_providers definiert Endpoints, und jeder Eintrag nimmt api_key, provider und base_url, ein OpenAI-kompatibles Gateway ist also einfach ein openai-typisierter Provider mit ausgetauschter base_url. models definiert benannte Modell-Configs, die über model_provider auf einen Provider verweisen. agents bindet trae_agent an einen dieser Modellnamen. Das Upstream-README zeigt genau diese Form für Routing über einen Multi-Modell-Dienst: einen openai-Provider-Eintrag, dessen base_url auf die /v1-Wurzel des Dienstes zeigt. Für APIsRouter ist das https://api.apisrouter.com/v1, und das model-Feld nimmt dann jede Katalog-ID als reinen String, Claude- und Kimi-IDs eingeschlossen, weil der Provider-Typ nur das Request-Format entscheidet, nicht den Vendor.

model_providers:
  apisrouter:
    api_key: your_apisrouter_api_key
    provider: openai
    base_url: https://api.apisrouter.com/v1

models:
  trae_agent_model:
    model_provider: apisrouter
    model: claude-sonnet-4-6
    max_tokens: 4096
    temperature: 0.5

Wie Trae Agent intern verdrahtet ist.

Trae Agent (bytedance auf GitHub, rund 12.000 Stars) ist ByteDances forschungsorientierter Software-Engineering-Agent für die Kommandozeile: gib trae-cli eine Aufgabe, und es arbeitet sie mit einem transparenten Tool-Loop durch, bash, Datei-Editing und sequenzielles Denken sind unter den eingebauten Tools, bis zu einem konfigurierbaren max_steps. Es ist bewusst modular, weshalb die Config Provider von Modellen von Agenten trennt: derselbe Provider kann mehrere Modell-Configs bedienen, und zu ändern, worauf der Agent läuft, ist eine Ein-Zeilen-Bearbeitung einer Namensreferenz. Zwei Modell-Slots zählen in der Praxis. trae_agent_model ist der Haupt-Loop, das Modell, das das Reasoning, die Tool-Calls und Edits macht, wo max_steps von zweihundert bedeutet, dass eine einzelne Aufgabe eine lange Sequenz abgerechneter Calls sein kann. lakeview_model treibt Lakeview, Traes Schritt-Zusammenfassungs-Feature, das kurze, lesbare Zusammenfassungen dessen produziert, was der Agent bei jedem Schritt getan hat. Lakeview feuert oft, und sein Output ist überflogene Prosa, was ihn zum Lehrbuch-Slot für eine schnelle ID macht, während der Haupt-Loop eine Frontier-ID behält. Konfiguration löst sich aus mehr als der YAML auf: die CLI akzeptiert --provider- und --model-Flags pro Run, und provider-spezifische Umgebungsvariablen, OPENAI_API_KEY und OPENAI_BASE_URL unter den dokumentierten, füttern dieselben Einstellungen. Die Flags sind, wie du ein zweites Modell A/B-testest, ohne die Datei anzufassen.

Vollständiges Setup: Agent, Lakeview und ein Run.

Die vollständige Config bindet den Agenten an ein Hauptmodell und Lakeview an ein schnelles, beide über denselben Provider-Eintrag. Beacht die Indirektion: agents.trae_agent.model nennt einen Eintrag in models, und jeder models-Eintrag nennt einen Provider über model_provider. Ein Tippfehler in einer der beiden Referenzen lässt die Kette scheitern, halt die drei Namen also konsistent. Ein historischer Hinweis, der die meisten verwirrten Tutorials erklärt: Trae Agents Konfiguration war früher trae_config.json, und das Repo dokumentiert dieses Format jetzt als Legacy, mit YAML als aktueller Form. Guides, die JSON zeigen, beschreiben das ältere Layout; die Keys sind migriert, die Konzepte sind geblieben. Hast du eine alte JSON-Config, deckt die Legacy-Config-Doku des Repos das Mapping ab. Der Ein-Key-Aspekt ist es wert, für dieses Tool besonders ausgesprochen zu werden. Trae Agents native Provider-Liste umspannt amerikanische und chinesische Vendoren, was normalerweise ein Konto und einen Key pro Vendor bedeutet, manche davon je nachdem, wo du sitzt, schwer zu bekommen. Hinter einem Gateway-Eintrag sind claude-sonnet-4-6, gpt-5.5, deepseek-v4-pro, glm-5.2 und kimi-k2.7-code alle einen Modell-String entfernt, auf einem Key, mit einem Guthaben, egal auf welcher Seite des Pazifiks du entwickelst.

agents:
  trae_agent:
    enable_lakeview: true
    model: trae_agent_model
    max_steps: 200
    tools:
      - bash
      - str_replace_based_edit_tool
      - sequentialthinking
      - task_done

model_providers:
  apisrouter:
    api_key: your_apisrouter_api_key
    provider: openai
    base_url: https://api.apisrouter.com/v1

models:
  trae_agent_model:
    model_provider: apisrouter
    model: claude-sonnet-4-6
    max_tokens: 4096
    temperature: 0.5
  lakeview_model:
    model_provider: apisrouter
    model: claude-haiku-4-5-20251001
    max_tokens: 4096
    temperature: 0.5

Modelle für den Agenten-Loop wählen.

Die Flags --provider und --model machen den Vergleichs-Workflow konkret: lauf dieselbe Aufgabe zweimal mit unterschiedlichen Flags, lies Schritte-bis-fertig und die bepreiste Nutzung pro Modell in der Konsole, und beförder den Gewinner in trae_config.yaml.

• Der Haupt-Loop ist Tool-Arbeit über einen langen Horizont: Dateien lesen, editieren, bash ausführen, beurteilen, wann die Aufgabe fertig ist. claude-sonnet-4-6 und gpt-5.5 halten einen zweihundert-Schritte-Plan zusammen; hier ist der letzte Ort zum Sparen.
• Lakeview ist hochfrequente, wenig kritische Zusammenfassung. claude-haiku-4-5-20251001 oder deepseek-v4-flash hält es neben den Ausgaben des Haupt-Loops praktisch kostenlos.
• kimi-k2.7-code und glm-5.2 sind ernsthafte Kandidaten für den Haupt-Loop bei Codebasen mit chinesischen Kommentaren, Commit-History oder Docs; ein zweisprachiges Repo ist, wo sie englisch-first Modelle beim Verständnis schlagen, nicht nur beim Preis.
• deepseek-v4-pro ist die Volumen-Wahl für Batch-Runs, dieselbe Korrektur über viele Repos sweepen oder den Agenten in CI laufen lassen, wo Kosten pro Aufgabe sich multiplizieren.
• max_steps ist dein Kostenregler. Ein Modell, das umherirrt, verbrennt Schritte; vergleich beim Kandidatenvergleich Schritte-bis-fertig auf derselben Aufgabe, nicht Token pro Request.

Nutzungsbasiert · unter offiziellem Preis

Selected models are priced below official list prices. Exact input, output, cache, and per-request prices are shown for each model.

Fehlerbilder speziell für Trae Agent.

Die JSON-versus-YAML-Verwirrung führt alles an. Eine aus einem älteren Guide kopierte trae_config.json wird bestenfalls als Legacy gelesen, schlimmstenfalls ignoriert, und das Symptom ist, die CLI verhält sich, als hättest du nie etwas konfiguriert. Aktuelle Setups gehören in trae_config.yaml; migrier alte Dateien mit der Legacy-Config-Doku des Repos, statt Key-Namen zu raten. Die Drei-Namen-Kette bricht still. agents.trae_agent.model muss einen models-Eintrag benennen, und dessen model_provider muss einen model_providers-Eintrag benennen. Benennst du einen um und nicht die anderen, scheitert der Run beim Start mit einem Auflösungsfehler statt einem Request-Fehler, was dich auf die YAML weist, nicht das Netzwerk. base_url will das /v1 enthalten, passend zum Upstream-Beispiel, das auf die /v1-Wurzel eines Routers zeigt. Ein nackter Host erzeugt 404s, sobald der Client den Chat-Completions-Pfad anhängt. Scheitert Lakeview, während der Agent funktioniert, referenziert lakeview_model eine ID, die der Endpoint nicht bedient, leicht zu übersehen, weil du das Hauptmodell getestet und den zweiten Slot vergessen hast. Und Umgebungsvariablen, die still einen Provider unterstützen, den du für dateikonfiguriert hieltest, OPENAI_API_KEY besonders, sind es wert, geprüft zu werden, wenn Authentifizierung sich zwischen Shells uneinheitlich verhält.

Wer Trae Agent über ein Gateway routet.

• Entwickler, die Claude oder GPT den Agenten-Loop antreiben lassen wollen und GLM, Kimi oder DeepSeek ein Flag entfernt, ohne bei jedem Vendor ein Konto zu halten.
• Zweisprachige Teams, die über chinesische und englische Codebasen hinweg arbeiten, für die das stärkste Modell pro Repo aus einem der beiden Ökosysteme kommen kann, adressierbar über einen Key.
• Ingenieure, die Batch- oder CI-Agenten-Aufgaben laufen lassen, wo Nutzungsverfolgung pro Key eine Flotte von trae-cli-Runs in einen lesbaren Kostenreport verwandelt.
• Forscher, die Agenten-Modelle benchmarken, da Trae Agent für ablationsartigen Vergleich gebaut ist und das Gateway jeden Kandidaten zur selben Ein-Flag-Änderung macht.
• Entwickler ohne Zugang zum Billing eines bestimmten Vendors. Guthabenbasierter Zugang ohne Kartenpflicht entfernt die Sign-up-Abhängigkeit pro Provider.

Endpoint verifizieren und die erste Aufgabe debuggen.

Bestätige, dass der Endpoint deine IDs bedient, bevor der erste Run startet: die /v1/models-Liste mit deinem Key ist die maßgebliche Schreibweise für jedes model-Feld in der YAML, sowohl Haupt-Slot als auch Lakeview-Slot. First-Run-Fehler sortieren sich sauber. Ein Config-Auflösungsfehler vor jedem Request ist die Drei-Namen-Kette oder eine Legacy-JSON-Datei. Ein 401 ist der api_key im Provider-Block, oder eine Umgebungsvariable, die ihn überschreibt. Ein 404 bei jedem Request ist eine base_url ohne ihr /v1. Ein Model-not-found-Fehler nennt den falschen Slot, prüf, ob es das Agent-Modell oder das Lakeview-Modell war. Und ein Run, der startet, aber mitten in der Aufgabe stockt, ist meist das umherirrende Modell statt ein scheiternder Endpoint, wofür max_steps und das Schritt-Log da sind. Sobald Aufgaben laufen, zeigt die APIsRouter-Konsole Modell, Token-Zahlen und Ausgaben pro Anfrage. Ein Agent, der hundert Schritte pro Aufgabe braucht, multipliziert alles, und das Nutzungslog ist, wo du lernst, was eine Aufgabe auf jedem Kandidaten-Modell tatsächlich kostet.

curl -s https://api.apisrouter.com/v1/models \
  -H "Authorization: Bearer $APISROUTER_API_KEY" | head -50

Häufige Fragen