Arahkan Trae Agent ke satu endpoint untuk semua model.

Jawaban singkat: satu block provider, satu block model.

Konfigurasi Trae Agent saat ini adalah YAML: trae_config.yaml di direktori project, dengan tiga block yang relevan. model_providers mendefinisikan endpoint, dan setiap entri menerima api_key, provider, dan base_url, jadi gateway OpenAI-compatible hanyalah provider bertipe-openai dengan base_url-nya ditukar. models mendefinisikan config model bernama yang merujuk provider lewat model_provider. agents mengikat trae_agent ke salah satu nama model itu. README upstream menunjukkan persis bentuk ini untuk merutekan lewat layanan multi-model: entri provider openai yang base_url-nya menunjuk ke root /v1 layanan itu. Untuk APIsRouter, itu adalah https://api.apisrouter.com/v1, dan field model kemudian menerima id katalog apa pun sebagai string biasa, termasuk id Claude dan Kimi, karena tipe provider hanya menentukan format request, bukan vendornya.

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

Bagaimana Trae Agent disambungkan di dalam.

Trae Agent (bytedance di GitHub, sekitar 12K bintang) adalah agent software-engineering berorientasi-riset milik ByteDance untuk command line: beri trae-cli sebuah task dan ia mengerjakannya dengan tool loop yang transparan, bash, editing file, dan sequential thinking di antara tool bawaannya, hingga max_steps yang bisa dikonfigurasi. Ia sengaja dibuat modular, itulah sebabnya config-nya memisahkan provider dari model dari agent: provider yang sama bisa mendukung beberapa config model, dan menukar model yang dijalankan agent hanya edit satu baris pada referensi nama. Dua slot model penting dalam praktiknya. trae_agent_model adalah loop utama, model yang melakukan reasoning, tool call, dan edit, di mana max_steps dua ratus berarti satu task tunggal bisa jadi rangkaian panjang panggilan yang ditagih. lakeview_model menggerakkan Lakeview, fitur peringkasan-langkah Trae yang menghasilkan ringkasan pendek dan mudah dibaca tentang apa yang dilakukan agent di setiap langkah. Lakeview menembak sering dan output-nya adalah prosa yang sekilas-baca, yang menjadikannya slot buku-teks untuk id cepat sementara loop utama menyimpan id frontier. Konfigurasi teresolusi dari lebih dari sekadar YAML: CLI menerima flag --provider dan --model per run, dan environment variable spesifik-provider, OPENAI_API_KEY dan OPENAI_BASE_URL di antara set terdokumentasi, menyuapi pengaturan yang sama. Flag-flag itulah cara Anda meng-A/B model kedua tanpa menyentuh file-nya.

Setup lengkap: agent, Lakeview, dan satu run.

Config lengkapnya mengikat agent ke model utama dan Lakeview ke yang cepat, keduanya lewat entri provider yang sama. Perhatikan indireksinya: agents.trae_agent.model menamai satu entri di models, dan setiap entri models menamai provider lewat model_provider. Salah ketik di salah satu referensi menggagalkan seluruh rantainya, jadi jaga ketiga nama tetap konsisten. Satu catatan historis yang menjelaskan kebanyakan tutorial yang membingungkan: konfigurasi Trae Agent dulunya adalah trae_config.json, dan repo-nya sekarang mendokumentasikan format itu sebagai legacy dengan YAML sebagai bentuk saat ini. Panduan yang menunjukkan JSON mendeskripsikan layout yang lebih lama; key-nya bermigrasi, konsepnya terbawa. Jika Anda punya config JSON lama, dokumen legacy-config repo-nya mencakup pemetaannya. Sudut pandang satu-key layak dijelaskan untuk tool ini secara khusus. Daftar provider native Trae Agent membentang vendor Amerika dan Cina, yang biasanya berarti akun dan key per vendor, sebagian di antaranya sulit didapat tergantung dari mana Anda berada. Di balik satu entri gateway, claude-sonnet-4-6, gpt-5.5, deepseek-v4-pro, glm-5.2, dan kimi-k2.7-code semuanya hanya satu string-model jauhnya, dalam satu key, dengan satu saldo, di sisi Pasifik mana pun Anda berkembang.

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

Memilih model untuk loop agent.

Flag --provider dan --model membuat workflow perbandingan jadi konkret: jalankan task yang sama dua kali dengan flag berbeda, baca steps-to-done dan penggunaan berharga per model di konsol, dan promosikan pemenangnya ke trae_config.yaml.

• Loop utama adalah kerja tool berhorizon-panjang: membaca file, mengedit, menjalankan bash, menilai kapan task selesai. claude-sonnet-4-6 dan gpt-5.5 menyatukan rencana dua-ratus-langkah; slot ini adalah tempat terakhir untuk berhemat.
• Lakeview adalah peringkasan berfrekuensi-tinggi dan berisiko-rendah. claude-haiku-4-5-20251001 atau deepseek-v4-flash menjaganya efektif gratis di samping pengeluaran loop utama.
• kimi-k2.7-code dan glm-5.2 adalah kandidat serius untuk loop utama pada codebase dengan komentar, riwayat commit, atau dokumentasi berbahasa Cina; repo dwibahasa adalah tempat mereka mengungguli model Inggris-utama dalam pemahaman, bukan hanya harga.
• deepseek-v4-pro adalah pilihan volume untuk run batch, menyapu perbaikan yang sama lintas banyak repo atau menjalankan agent di CI, di mana biaya per-task berlipat ganda.
• max_steps adalah pengatur biaya Anda. Model yang mengembara membakar langkah; saat membandingkan kandidat, bandingkan steps-to-done pada task yang sama, bukan token per request.

Bayar sesuai pemakaian · di bawah harga resmi

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

Mode kegagalan spesifik Trae Agent.

Kebingungan JSON-versus-YAML memimpin segalanya. trae_config.json yang disalin dari panduan lama dibaca sebagai legacy paling baik dan diabaikan paling buruk, dan gejalanya adalah CLI berperilaku seolah Anda tidak pernah mengonfigurasi apa pun. Setup saat ini masuk di trae_config.yaml; migrasikan file lama memakai dokumen legacy-config repo-nya alih-alih menebak nama key. Rantai tiga-nama patah secara diam-diam. agents.trae_agent.model harus menamai satu entri models, dan model_provider entri itu harus menamai satu entri model_providers. Ganti nama satu tapi bukan yang lain dan run gagal saat startup dengan error resolusi alih-alih error request, yang mengarahkan Anda ke YAML, bukan jaringan. base_url menginginkan /v1 disertakan, cocok dengan contoh upstream yang menunjuk ke root /v1 sebuah router. Host polos menghasilkan 404 begitu client menambahkan path chat-completions. Lakeview gagal sementara agent berfungsi berarti lakeview_model merujuk ke id yang tidak dilayani endpoint, mudah terlewat karena Anda menguji model utama dan lupa slot kedua. Dan environment variable yang diam-diam mendukung provider yang Anda kira dikonfigurasi-file, terutama OPENAI_API_KEY, layak diperiksa saat autentikasi berperilaku tidak konsisten antar shell.

Siapa yang merutekan Trae Agent melalui gateway.

• Developer yang menginginkan Claude atau GPT menggerakkan loop agent dan GLM, Kimi, atau DeepSeek hanya satu flag jauhnya, tanpa memegang akun di setiap vendor.
• Tim dwibahasa yang bekerja lintas codebase Cina dan Inggris, di mana model terkuat per repo bisa berasal dari ekosistem mana pun, bisa dialamatkan lewat satu key.
• Engineer yang menjalankan task agent batch atau CI, di mana pelacakan penggunaan per-key mengubah armada run trae-cli menjadi laporan biaya yang mudah dibaca.
• Peneliti yang membenchmark model agent, karena Trae Agent dibangun untuk perbandingan bergaya-ablasi dan gateway membuat setiap kandidat jadi perubahan satu-flag yang sama.
• Developer tanpa akses ke billing vendor tertentu. Akses berbasis top-up tanpa syarat kartu menghilangkan ketergantungan sign-up per provider.

Verifikasi endpoint dan debug task pertama.

Konfirmasi endpoint melayani id Anda sebelum run pertama: listing /v1/models dengan key Anda adalah ejaan otoritatif untuk setiap field model di YAML, baik slot utama maupun slot Lakeview. Kegagalan run pertama tersortir dengan bersih. Error resolusi config sebelum request apa pun adalah rantai tiga-nama atau file JSON legacy. 401 adalah api_key di block provider, atau environment variable yang meng-override-nya. 404 pada setiap request adalah base_url yang kehilangan /v1-nya. Error model-not-found menyebut slot mana yang salah, periksa apakah itu model agent atau model Lakeview. Dan run yang mulai tapi stall di tengah task biasanya modelnya mengembara alih-alih endpoint-nya gagal, itulah gunanya max_steps dan log langkah. Setelah task berjalan, konsol APIsRouter menunjukkan model per request, hitungan token, dan pengeluaran. Agent yang mengambil seratus langkah per task melipatgandakan segalanya, dan log penggunaan adalah tempat Anda mempelajari berapa sebenarnya biaya satu task pada setiap model kandidat.

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

Pertanyaan umum