Ituro ang Trae Agent sa isang endpoint para sa bawat model.

Mabilisang sagot: isang provider block, isang model block.

YAML ang kasalukuyang configuration ng Trae Agent: trae_config.yaml sa project directory, na may tatlong kaugnay na block. Idinedefine ng model_providers ang mga endpoint, at kinukuha ng bawat entry ang api_key, provider, at base_url, kaya ang isang OpenAI-compatible na gateway ay openai-type na provider lamang na pinalitan ang base_url. Idinedefine ng models ang mga named model config na tumutukoy sa isang provider sa pamamagitan ng model_provider. Iginagapos ng agents ang trae_agent sa isa sa mga pangalan ng model na iyon. Ipinapakita ng upstream README ang eksaktong hugis na ito para sa pag-ruruta sa pamamagitan ng isang multi-model na serbisyo: isang openai provider entry na ang base_url ay nakaturo sa /v1 root ng serbisyo. Para sa APIsRouter, iyon ay https://api.apisrouter.com/v1, at ang model field ay tumatanggap pagkatapos ng anumang id ng katalogo bilang plain string, kasama ang Claude at Kimi ids, dahil ang provider type lamang ang nagdedesisyon sa format ng request, hindi ang 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

Paano naka-wire sa loob ang Trae Agent.

Ang Trae Agent (bytedance sa GitHub, humigit-kumulang 12K stars) ay ang research-oriented na software-engineering agent ng ByteDance para sa command line: bigyan ng gawain ang trae-cli at gagawan nito ito sa pamamagitan ng isang transparent na tool loop, bash, file editing, at sequential thinking kabilang sa mga built-in na tool, hanggang sa isang configurable na max_steps. Sinadyang modular ito, kaya hinihiwalay ng config ang providers mula sa models mula sa agents: maaaring suportahan ng parehong provider ang ilang model config, at ang pagpapalit kung ano ang pinapatakbo ng agent ay isang isang-linyang pagbabago sa isang name reference. Dalawang model slot ang mahalaga sa praktika. Ang trae_agent_model ang main loop, ang model na gumagawa ng reasoning, tool calls, at edits, kung saan ang max_steps na dalawang daan ay nangangahulugang isang task ay maaaring mahabang sunod-sunod na mga billed call. Pinapatakbo ng lakeview_model ang Lakeview, ang step-summarization feature ng Trae na gumagawa ng maiikli, madaling basahing buod ng ginawa ng agent sa bawat hakbang. Madalas sumiklab ang Lakeview at ang output nito ay glanceable na prosa, na siyang textbook slot para sa isang mabilis na id habang ang main loop ay nananatili sa isang frontier one. Nire-resolve ang configuration mula sa higit pa sa YAML: tumatanggap ang CLI ng --provider at --model flags per run, at ang provider-specific na environment variables, ang OPENAI_API_KEY at OPENAI_BASE_URL kabilang sa dokumentadong set, ay nagpapakain sa parehong mga setting. Ang mga flag ang paraan mo para mag-A/B ng isang pangalawang model nang hindi hinihipo ang file.

Buong setup: agent, Lakeview, at isang run.

Iginagapos ng kumpletong config ang agent sa isang main model at ang Lakeview sa isang mabilis na model, pareho sa pamamagitan ng parehong provider entry. Pansinin ang indirection: pinapangalanan ng agents.trae_agent.model ang isang entry sa models, at pinapangalanan ng bawat entry sa models ang isang provider sa pamamagitan ng model_provider. Nabibigo ang chain kapag may typo sa alinman sa dalawa, kaya panatilihing pare-pareho ang tatlong pangalan. Isang historical note na nagpapaliwanag sa karamihan ng nalilitong mga tutorial: dating trae_config.json ang configuration ng Trae Agent, at dokumentado na ngayon ng repo ang format na iyon bilang legacy, YAML ang kasalukuyang anyo. Ang mga gabay na nagpapakita ng JSON ay naglalarawan ng mas lumang layout; nag-migrate ang mga key, dumala ang mga konsepto. Kung may lumang JSON config ka, sakop ito ng legacy-config doc ng repo para sa mapping. Sulit ilinaw ang anggulo ng isang key para sa tool na ito partikular. Sumasaklaw ang native provider list ng Trae Agent sa mga American at Chinese na vendor, na karaniwang nangangahulugan ng isang account at key per vendor, ang ilan ay mahirap makuha depende sa kinatatayuan mo. Sa likod ng isang gateway entry, ang claude-sonnet-4-6, gpt-5.5, deepseek-v4-pro, glm-5.2, at kimi-k2.7-code ay isang model-string na lamang ang layo, sa isang key, na may isang balance, anumang panig ng Pacific ang pinagde-develop mo.

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

Pagpili ng mga model para sa agent loop.

Ginagawang konkreto ng --provider at --model flags ang comparison workflow: patakbuhin ang parehong gawain nang dalawang beses gamit ang magkaibang flag, basahin ang steps-to-done at ang priced na usage per model sa console, at i-promote ang panalo patungo sa trae_config.yaml.

• Ang main loop ay long-horizon na tool work: pagbabasa ng files, pag-e-edit, pagpapatakbo ng bash, paghusga kung kailan tapos na ang gawain. Pinananatili ng claude-sonnet-4-6 at gpt-5.5 ang isang two-hundred-step na plano nang magkasama; ito ang huling lugar para magtipid.
• High-frequency at low-stakes na summarization ang Lakeview. Pinapanatili itong halos libre ng claude-haiku-4-5-20251001 o deepseek-v4-flash katabi ng gastos ng main loop.
• Malubhang kandidato ang kimi-k2.7-code at glm-5.2 para sa main loop sa mga codebase na may Chinese comments, commit history, o docs; isang bilingual na repo ang lugar kung saan tinatalo nila ang mga English-first na model sa comprehension, hindi lang sa presyo.
• Ang deepseek-v4-pro ang volume pick para sa batch runs, ang pagwawalis ng parehong ayos sa maraming repo o ang pagpapatakbo ng agent sa CI, kung saan pinaparami ng per-task na gastos.
• Ang max_steps ang cost governor mo. Nagsusunog ng steps ang isang model na naliligaw; kapag naghahambing ng mga kandidato, ihambing ang steps-to-done sa parehong gawain, hindi ang tokens per request.

Pay-as-you-go · mas mababa sa opisyal na presyo

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

Mga failure mode na specific sa Trae Agent.

Ang pagkalitong JSON-versus-YAML ang nangunguna sa lahat. Ang isang trae_config.json na kinopya mula sa lumang gabay ay babasahin bilang legacy sa pinakamabuting kalagayan o babalewalain sa pinakamasama, at ang sintomas ay ang pagkilos ng CLI na parang hindi mo kailanman ni-configure ang anuman. Ang mga kasalukuyang setup ay dapat nasa trae_config.yaml; i-migrate ang mga lumang file gamit ang legacy-config doc ng repo sa halip na haka-hakain ang mga pangalan ng key. Tahimik na nasisira ang three-name chain. Dapat pangalanan ng agents.trae_agent.model ang isang entry sa models, at dapat pangalanan ng model_provider ng entry na iyon ang isang entry sa model_providers. Ang pagpapalit ng pangalan sa isa nang hindi sa iba ay nagpapabigo sa run sa startup nang may resolution error sa halip na request error, na tumuturo sa iyo patungo sa YAML, hindi sa network. Gusto ng base_url na kasama ang /v1, tumutugma sa upstream na halimbawa na nakaturo sa /v1 root ng isang router. Ang isang bare na host ay gumagawa ng mga 404 sa sandaling i-append ng client ang chat-completions path. Ang Lakeview na nabibigo habang gumagana ang agent ay nangangahulugang tumutukoy ang lakeview_model sa isang id na hindi si-serve ng endpoint, madaling makaligtaan dahil sinubukan mo ang main model at nakalimutan ang pangalawang slot. At ang mga environment variable na tahimik na sumusuporta sa isang provider na akala mo'y file-configured, lalo na ang OPENAI_API_KEY, ay sulit tingnan kapag hindi pare-pareho ang kilos ng authentication sa iba't ibang shell.

Sino ang nagru-route ng Trae Agent sa pamamagitan ng isang gateway.

• Mga developer na gustong Claude o GPT ang magmaneho ng agent loop at GLM, Kimi, o DeepSeek isang flag na lamang ang layo, nang hindi nagtataglay ng account sa bawat vendor.
• Mga bilingual na team na nagtatrabaho sa Chinese at English na codebases, kung saan ang pinakamalakas na model per repo ay maaaring manggaling sa alinmang ecosystem, maaabot sa pamamagitan ng iisang key.
• Mga engineer na nagpapatakbo ng batch o CI agent tasks, kung saan ginagawang readable cost report ng per-key usage tracking ang isang buong hanay ng trae-cli runs.
• Mga mananaliksik na nagbe-benchmark ng agent models, dahil ginawa ang Trae Agent para sa ablation-style na paghahambing at ginagawa ng gateway ang bawat kandidato na parehong isang-flag na pagbabago.
• Mga developer na walang access sa billing ng isang partikular na vendor. Ang top-up based na access na walang kailangang card ay inaalis ang per-provider na sign-up dependency.

I-verify ang endpoint at i-debug ang unang gawain.

Kumpirmahin na si-serve ng endpoint ang mga id mo bago ang unang run: ang listahan ng /v1/models gamit ang key mo ang authoritative na baybay para sa bawat model field sa YAML, parehong main slot at Lakeview slot. Malinaw na nag-uuri-uri ang mga first-run failure. Ang isang config resolution error bago pa man may request ay ang three-name chain o isang legacy na JSON file. Ang isang 401 ay ang api_key sa provider block, o isang environment variable na nag-o-override dito. Ang isang 404 sa bawat request ay isang base_url na kulang ang /v1. Ang isang model-not-found error ay nagpapangalan sa slot na mali, tingnan kung ito ba ang agent model o ang Lakeview model. At ang isang run na nagsisimula pero natitigil sa gitna ng gawain ay karaniwang ang model na naliligaw sa halip na nabibigo ang endpoint, na siyang dahilan ng max_steps at ang step log. Kapag tumatakbo na ang mga gawain, ipinapakita ng APIsRouter console ang per-request na model, token counts, at gastos. Pinaparami ng lahat ang isang agent na gumagawa ng isang daang hakbang per task, at ang usage log ang lugar kung saan natututunan mo kung magkano talaga ang gastos ng isang gawain sa bawat kandidatong model.

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

Mga madalas itanong