Pointez Trae Agent vers un seul endpoint pour chaque modèle.

Réponse rapide : un bloc de fournisseur, un bloc de modèle.

La configuration actuelle de Trae Agent est en YAML : trae_config.yaml dans le répertoire du projet, avec trois blocs pertinents. model_providers définit les endpoints, et chaque entrée prend api_key, provider et base_url, donc une passerelle compatible OpenAI n'est qu'un fournisseur de type openai avec son base_url substitué. models définit des configs de modèle nommées qui référencent un fournisseur via model_provider. agents lie trae_agent à l'un de ces noms de modèle. Le README amont montre exactement cette forme pour router via un service multi-modèles : une entrée de fournisseur openai dont le base_url pointe vers la racine /v1 du service. Pour APIsRouter, c'est https://api.apisrouter.com/v1, et le champ model prend alors n'importe quel id du catalogue comme une simple chaîne, ids Claude et Kimi inclus, parce que le type de fournisseur décide seulement du format de requête, pas du fournisseur réel.

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

Comment Trae Agent est câblé à l'intérieur.

Trae Agent (bytedance sur GitHub, environ 12 000 étoiles) est l'agent d'ingénierie logicielle orienté recherche de ByteDance pour la ligne de commande : donnez une tâche à trae-cli et il la traite via une boucle d'outils transparente, bash, édition de fichiers, et pensée séquentielle parmi les outils intégrés, jusqu'à un max_steps configurable. Il est délibérément modulaire, ce pourquoi la config sépare les fournisseurs des modèles des agents : le même fournisseur peut soutenir plusieurs configs de modèle, et changer sur quoi tourne l'agent est une édition d'une ligne vers une référence de nom. Deux emplacements de modèle comptent en pratique. trae_agent_model est la boucle principale, le modèle qui fait le raisonnement, les appels d'outils et les modifications, où un max_steps de deux cents signifie qu'une seule tâche peut être une longue séquence d'appels facturés. lakeview_model alimente Lakeview, la fonctionnalité de résumé d'étape de Trae qui produit de courts résumés lisibles de ce que l'agent a fait à chaque étape. Lakeview se déclenche souvent et sa sortie est une prose à parcourir d'un coup d'œil, ce qui en fait l'emplacement scolaire pour un id rapide tandis que la boucle principale garde un id de pointe. La configuration se résout à partir de plus que le YAML : la CLI accepte des flags --provider et --model par exécution, et des variables d'environnement spécifiques au fournisseur, OPENAI_API_KEY et OPENAI_BASE_URL parmi l'ensemble documenté, alimentent les mêmes réglages. Les flags sont la façon de faire un A/B d'un second modèle sans toucher au fichier.

Configuration complète : agent, Lakeview, et une exécution.

La config complète lie l'agent à un modèle principal et Lakeview à un modèle rapide, tous deux via la même entrée de fournisseur. Notez l'indirection : agents.trae_agent.model nomme une entrée dans models, et chaque entrée de models nomme un fournisseur via model_provider. Une faute de frappe dans l'une ou l'autre référence fait échouer la chaîne, donc gardez les trois noms cohérents. Une note historique qui explique la plupart des tutoriels confus : la configuration de Trae Agent était autrefois trae_config.json, et le dépôt documente maintenant ce format comme hérité avec le YAML comme forme actuelle. Les guides montrant du JSON décrivent une disposition plus ancienne ; les clés ont migré, les concepts se sont reportés. Si vous avez une ancienne config JSON, la doc legacy-config du dépôt couvre le mapping. L'angle de la clé unique mérite d'être détaillé pour cet outil en particulier. La liste de fournisseurs natifs de Trae Agent s'étend sur des fournisseurs américains et chinois, ce qui signifie normalement un compte et une clé par fournisseur, dont certains sont difficiles à obtenir selon où vous vous trouvez. Derrière une seule entrée de passerelle, claude-sonnet-4-6, gpt-5.5, deepseek-v4-pro, glm-5.2 et kimi-k2.7-code ne sont tous qu'à une chaîne de modèle, sur une seule clé, avec un seul solde, quel que soit le côté du Pacifique depuis lequel vous développez.

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

Choisir des modèles pour la boucle de l'agent.

Les flags --provider et --model rendent le workflow de comparaison concret : faites tourner la même tâche deux fois avec des flags différents, lisez les étapes-jusqu'à-fini et l'usage chiffré par modèle dans la console, et promouvez le gagnant dans trae_config.yaml.

• La boucle principale est un travail d'outils à long horizon : lire des fichiers, éditer, lancer du bash, juger quand la tâche est terminée. claude-sonnet-4-6 et gpt-5.5 tiennent ensemble un plan de deux cents étapes ; cet emplacement est le dernier endroit où économiser.
• Lakeview est une summarisation à haute fréquence et faible enjeu. claude-haiku-4-5-20251001 ou deepseek-v4-flash le garde effectivement gratuit à côté de la dépense de la boucle principale.
• kimi-k2.7-code et glm-5.2 sont des candidats sérieux pour la boucle principale sur des bases de code avec des commentaires, un historique de commits, ou une doc en chinois ; un dépôt bilingue est là où ils battent les modèles anglophones sur la compréhension, pas seulement le prix.
• deepseek-v4-pro est le choix de volume pour les exécutions par lot, balayant le même correctif sur de nombreux dépôts ou faisant tourner l'agent en CI, où le coût par tâche se multiplie.
• max_steps est votre régulateur de coût. Un modèle qui divague brûle des étapes ; en comparant des candidats, comparez les étapes-jusqu'à-fini sur la même tâche, pas les tokens par requête.

Paiement à l'usage · en dessous du tarif officiel

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

Modes d'échec spécifiques à Trae Agent.

La confusion JSON-contre-YAML mène tout. Un trae_config.json copié d'un ancien guide est lu comme hérité au mieux et ignoré au pire, et le symptôme est la CLI qui se comporte comme si vous n'aviez jamais rien configuré. Les configurations actuelles appartiennent à trae_config.yaml ; migrez les anciens fichiers en utilisant la doc legacy-config du dépôt plutôt que de deviner les noms de clés. La chaîne à trois noms se casse silencieusement. agents.trae_agent.model doit nommer une entrée de models, et le model_provider de cette entrée doit nommer une entrée de model_providers. Renommez l'un sans les autres et l'exécution échoue au démarrage avec une erreur de résolution plutôt qu'une erreur de requête, ce qui vous pointe vers le YAML, pas le réseau. base_url veut le /v1 inclus, correspondant à l'exemple amont qui pointe vers la racine /v1 d'un routeur. Un hôte nu produit des 404 dès que le client ajoute le chemin chat-completions. Lakeview qui échoue pendant que l'agent fonctionne signifie que lakeview_model référence un id que l'endpoint ne sert pas, facile à manquer parce que vous avez testé le modèle principal et oublié le second emplacement. Et les variables d'environnement qui soutiennent silencieusement un fournisseur que vous pensiez configuré par fichier, OPENAI_API_KEY en particulier, valent la peine d'être vérifiées quand l'authentification se comporte de façon incohérente entre shells.

Qui route Trae Agent via une passerelle.

• Les développeurs qui veulent que Claude ou GPT pilote la boucle de l'agent et GLM, Kimi ou DeepSeek à un flag de distance, sans détenir de compte chez chaque fournisseur.
• Les équipes bilingues qui travaillent sur des bases de code chinoises et anglaises, pour qui le modèle le plus fort par dépôt peut venir de l'un ou l'autre écosystème, adressable via une seule clé.
• Les ingénieurs qui font tourner des tâches d'agent en lot ou en CI, où le suivi d'usage par clé transforme une flotte d'exécutions trae-cli en un rapport de coût lisible.
• Les chercheurs qui font des benchmarks de modèles d'agent, puisque Trae Agent est construit pour la comparaison de type ablation et que la passerelle fait de chaque candidat le même changement d'un seul flag.
• Les développeurs sans accès à la facturation d'un fournisseur donné. Un accès basé sur la recharge, sans exigence de carte, supprime la dépendance à une inscription par fournisseur.

Vérifiez l'endpoint et déboguez la première tâche.

Confirmez que l'endpoint sert vos ids avant la première exécution : le listing /v1/models avec votre clé fait autorité sur l'orthographe pour chaque champ model dans le YAML, emplacement principal et emplacement Lakeview tous les deux. Les échecs au premier lancement se trient proprement. Une erreur de résolution de config avant toute requête, c'est la chaîne à trois noms ou un fichier JSON hérité. Un 401, c'est l'api_key dans le bloc de fournisseur, ou une variable d'environnement qui le surcharge. Un 404 sur chaque requête, c'est un base_url qui manque son /v1. Une erreur model-not-found nomme l'emplacement erroné, vérifiez si c'était le modèle de l'agent ou le modèle Lakeview. Et une exécution qui démarre mais se bloque en milieu de tâche est généralement le modèle qui divague plutôt que l'endpoint qui échoue, ce à quoi servent max_steps et le journal d'étapes. Une fois que les tâches tournent, la console APIsRouter affiche le modèle par requête, le nombre de tokens et la dépense. Un agent qui prend cent étapes par tâche multiplie tout, et le journal d'usage est là où vous apprenez ce que coûte réellement une tâche sur chaque modèle candidat.

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

Questions fréquentes