Arahkan Trae Agent ke satu endpoint untuk setiap model.

Jawapan pantas: satu blok penyedia, satu blok model.

Konfigurasi semasa Trae Agent adalah YAML: trae_config.yaml dalam direktori projek, dengan tiga blok berkaitan. model_providers mentakrifkan endpoint, dan setiap entri mengambil api_key, provider, dan base_url, jadi gateway serasi OpenAI hanyalah penyedia jenis-openai dengan base_url-nya ditukar. models mentakrifkan config model bernama yang merujuk penyedia melalui model_provider. agents mengikat trae_agent kepada salah satu nama model itu. README upstream menunjukkan tepat bentuk ini untuk penghalaan melalui perkhidmatan multi-model: entri penyedia openai yang base_url-nya menunjuk ke root /v1 perkhidmatan itu. Untuk APIsRouter, itu adalah https://api.apisrouter.com/v1, dan medan model kemudian mengambil mana-mana id katalog sebagai rentetan biasa, termasuk id Claude dan Kimi, kerana jenis penyedia hanya menentukan format permintaan, bukan 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

Bagaimana Trae Agent disambungkan di dalamnya.

Trae Agent (bytedance di GitHub, lebih kurang 12K bintang) adalah agent kejuruteraan-perisian berorientasikan-penyelidikan ByteDance untuk baris arahan: berikan trae-cli tugasan dan ia bekerja melaluinya dengan gelung alatan yang telus, bash, penyuntingan fail, dan pemikiran berjujukan antara alatan terbina-dalam, sehingga max_steps boleh konfigurasi. Ia sengaja modular, sebab itu config memisahkan penyedia daripada model daripada agent: penyedia yang sama boleh menyokong beberapa config model, dan menukar apa yang dijalankan agent adalah suntingan satu-baris kepada rujukan nama. Dua slot model penting secara praktikal. trae_agent_model adalah gelung utama, model yang melakukan penaakulan, panggilan alatan, dan suntingan, di mana max_steps dua ratus bermaksud satu tugasan boleh menjadi urutan panggilan berbil yang panjang. lakeview_model menggerakkan Lakeview, ciri peringkasan-langkah Trae yang menghasilkan ringkasan boleh dibaca ringkas tentang apa yang dilakukan agent pada setiap langkah. Lakeview menembak kerap dan outputnya adalah prosa sepintas lalu, yang menjadikannya slot buku-teks untuk id pantas sementara gelung utama mengekalkan id frontier. Konfigurasi diselesaikan daripada lebih daripada YAML: CLI menerima flag --provider dan --model per larian, dan pembolehubah environment khusus-penyedia, OPENAI_API_KEY dan OPENAI_BASE_URL antara set yang didokumentasikan, memberi makan tetapan yang sama. Flag adalah cara anda A/B model kedua tanpa menyentuh fail.

Persediaan penuh: agent, Lakeview, dan satu larian.

Config lengkap mengikat agent kepada model utama dan Lakeview kepada model pantas, kedua-duanya melalui entri penyedia yang sama. Ambil perhatian tidak langsung ini: agents.trae_agent.model menamakan entri dalam models, dan setiap entri models menamakan penyedia melalui model_provider. Kesilapan taip pada mana-mana rujukan menggagalkan rantaian, jadi kekalkan ketiga-tiga nama konsisten. Satu nota sejarah yang menjelaskan kebanyakan tutorial yang mengelirukan: konfigurasi Trae Agent dahulu adalah trae_config.json, dan repo kini mendokumentasikan format itu sebagai warisan dengan YAML sebagai bentuk semasa. Panduan yang menunjukkan JSON menerangkan susun atur lebih lama; kunci berhijrah, konsep terbawa. Jika anda mempunyai config JSON lama, dokumen legacy-config repo merangkumi pemetaannya. Sudut satu-kunci berbaloi dinyatakan untuk alat ini khususnya. Senarai penyedia asli Trae Agent merangkumi vendor Amerika dan Cina, yang biasanya bermaksud akaun dan kunci per vendor, sesetengah sukar diperoleh bergantung di mana anda berada. Di sebalik satu entri gateway, claude-sonnet-4-6, gpt-5.5, deepseek-v4-pro, glm-5.2, dan kimi-k2.7-code semuanya satu rentetan-model jauh, pada satu kunci, dengan satu baki, tidak kira sebelah mana Pasifik anda membangun.

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 gelung agent.

Flag --provider dan --model menjadikan aliran kerja perbandingan konkrit: jalankan tugasan yang sama dua kali dengan flag berbeza, baca langkah-kepada-selesai dan penggunaan berharga per model dalam konsol, dan naikkan pemenang ke dalam trae_config.yaml.

• Gelung utama adalah kerja alatan ufuk-panjang: membaca fail, menyunting, menjalankan bash, menilai bila tugasan selesai. claude-sonnet-4-6 dan gpt-5.5 mengekalkan rancangan dua-ratus-langkah bersatu; slot ini adalah tempat terakhir untuk berjimat.
• Lakeview adalah peringkasan frekuensi-tinggi bertaruhan-rendah. claude-haiku-4-5-20251001 atau deepseek-v4-flash mengekalkannya hampir percuma bersebelahan perbelanjaan gelung utama.
• kimi-k2.7-code dan glm-5.2 adalah calon serius untuk gelung utama pada codebase dengan komen Cina, sejarah commit, atau dokumen; repo dwibahasa adalah tempat mereka mengatasi model Inggeris-dahulu pada kefahaman, bukan hanya harga.
• deepseek-v4-pro adalah pilihan volum untuk larian kelompok, mengimbas pembetulan yang sama merentasi banyak repo atau menjalankan agent dalam CI, di mana kos per-tugasan berganda.
• max_steps adalah pengawal kos anda. Model yang mengembara membakar langkah; apabila membandingkan calon, bandingkan langkah-kepada-selesai pada tugasan yang sama, bukan token per permintaan.

Bayar mengikut penggunaan · bawah harga rasmi

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

Mod kegagalan khusus Trae Agent.

Kekeliruan JSON-berbanding-YAML mendahului segala-galanya. trae_config.json yang disalin daripada panduan lebih lama dibaca sebagai warisan paling baik atau diabaikan paling buruk, dan simptomnya adalah CLI berkelakuan seolah-olah anda tidak pernah mengkonfigurasikan apa-apa. Persediaan semasa tergolong dalam trae_config.yaml; hijrahkan fail lama menggunakan dokumen legacy-config repo berbanding meneka nama kunci. Rantaian tiga-nama pecah secara senyap. agents.trae_agent.model mesti menamakan entri models, dan model_provider entri itu mesti menamakan entri model_providers. Namakan semula satu dan bukan yang lain dan larian gagal semasa startup dengan ralat resolusi berbanding ralat permintaan, yang mengarahkan anda ke YAML, bukan rangkaian. base_url mahukan /v1 disertakan, sepadan dengan contoh upstream yang menunjuk ke root /v1 sesuatu router. Hos kosong menghasilkan 404 sebaik sahaja klien melampirkan laluan chat-completions. Lakeview gagal sementara agent berfungsi bermaksud lakeview_model merujuk id yang tidak dilayani endpoint, mudah terlepas kerana anda menguji model utama dan terlupa slot kedua. Dan pembolehubah environment secara senyap menyokong penyedia yang anda sangka dikonfigurasikan fail, terutamanya OPENAI_API_KEY, berbaloi disemak apabila pengesahan berkelakuan tidak konsisten antara shell.

Siapa yang menghalakan Trae Agent melalui gateway.

• Pembangun yang mahukan Claude atau GPT menggerakkan gelung agent dan GLM, Kimi, atau DeepSeek satu flag jauh, tanpa memegang akaun di setiap vendor.
• Pasukan dwibahasa yang bekerja merentasi codebase Cina dan Inggeris, bagi siapa model terkuat per repo mungkin datang daripada mana-mana ekosistem, boleh dicapai melalui satu kunci.
• Jurutera yang menjalankan tugasan agent kelompok atau CI, di mana penjejakan penggunaan per-kunci menukar armada larian trae-cli kepada laporan kos yang boleh dibaca.
• Penyelidik yang menanda aras model agent, kerana Trae Agent dibina untuk perbandingan gaya-ablasi dan gateway menjadikan setiap calon perubahan satu-flag yang sama.
• Pembangun tanpa akses kepada pengebilan vendor tertentu. Akses berasaskan top-up tanpa keperluan kad menghapuskan kebergantungan pendaftaran setiap penyedia.

Sahkan endpoint dan nyahpepijat tugasan pertama.

Sahkan endpoint melayani id anda sebelum larian pertama: senarai /v1/models dengan kunci anda adalah ejaan berautoriti untuk setiap medan model dalam YAML, kedua-dua slot utama dan Lakeview. Kegagalan larian-pertama disusun dengan bersih. Ralat resolusi config sebelum sebarang permintaan adalah rantaian tiga-nama atau fail JSON warisan. 401 adalah api_key dalam blok penyedia, atau pembolehubah environment yang menulis gantinya. 404 pada setiap permintaan adalah base_url kehilangan /v1-nya. Ralat model-not-found menamakan slot yang salah, semak sama ada ia model agent atau model Lakeview. Dan larian yang bermula tetapi terhenti di tengah tugasan biasanya model yang mengembara berbanding endpoint gagal, iaitu untuk apa max_steps dan log langkah wujud. Sebaik sahaja tugasan berjalan, konsol APIsRouter menunjukkan model per permintaan, kiraan token, dan perbelanjaan. Agent yang mengambil seratus langkah per tugasan menggandakan segala-galanya, dan log penggunaan adalah tempat anda mempelajari kos sebenar satu tugasan pada setiap model calon.

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

Soalan lazim