Wskaż Trae Agent na jeden endpoint dla każdego modelu.

Szybka odpowiedź: jeden blok providera, jeden blok modelu.

Obecna konfiguracja Trae Agent to YAML: trae_config.yaml w katalogu projektu, z trzema istotnymi blokami. model_providers definiuje endpointy, a każdy wpis przyjmuje api_key, provider i base_url, więc bramka kompatybilna z OpenAI to po prostu provider typu openai z podmienionym base_url. models definiuje nazwane konfiguracje modeli, które odwołują się do providera przez model_provider. agents wiąże trae_agent z jedną z tych nazw modeli. README upstream pokazuje dokładnie ten kształt do routingu przez usługę wielomodelową: wpis providera openai, którego base_url wskazuje na korzeń /v1 usługi. Dla APIsRouter to https://api.apisrouter.com/v1, a pole model przyjmuje wtedy dowolny identyfikator z katalogu jako zwykły string, łącznie z identyfikatorami Claude i Kimi, ponieważ typ providera decyduje tylko o formacie żądania, nie o dostawcy.

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

Jak Trae Agent jest okablowany w środku.

Trae Agent (bytedance na GitHubie, około 12 tys. gwiazdek) to zorientowany na badania agent inżynierii oprogramowania ByteDance dla wiersza poleceń: daj trae-cli zadanie, a przepracuje je przez przezroczystą pętlę narzędzi, z bash, edycją plików i sequential thinking wśród wbudowanych narzędzi, aż do konfigurowalnego max_steps. Jest celowo modularny, dlatego konfiguracja oddziela providerów od modeli od agentów: ten sam provider może wspierać kilka konfiguracji modeli, a zamiana tego, na czym działa agent, to jednoliniowa edycja odwołania do nazwy. W praktyce liczą się dwa sloty modeli. trae_agent_model to główna pętla, model wykonujący rozumowanie, wywołania narzędzi i edycje, gdzie max_steps równe dwustu oznacza, że pojedyncze zadanie może być długim ciągiem rozliczanych wywołań. lakeview_model napędza Lakeview, funkcję Trae streszczającą kroki, która produkuje krótkie, czytelne podsumowania tego, co agent zrobił na każdym kroku. Lakeview strzela często, a jego output to proza do przelotnego spojrzenia, co czyni go podręcznikowym slotem dla szybkiego identyfikatora, podczas gdy główna pętla trzyma identyfikator z czołówki. Konfiguracja rozwiązuje się z czegoś więcej niż YAML: CLI przyjmuje flagi --provider i --model per uruchomienie, a zmienne środowiskowe specyficzne dla providera, OPENAI_API_KEY i OPENAI_BASE_URL wśród udokumentowanego zestawu, karmią te same ustawienia. Flagi to sposób, żeby zrobić A/B drugiego modelu bez dotykania pliku.

Pełna konfiguracja: agent, Lakeview i uruchomienie.

Pełna konfiguracja wiąże agenta z głównym modelem, a Lakeview z szybkim, oba przez ten sam wpis providera. Zauważ pośredniość: agents.trae_agent.model nazywa wpis w models, a każdy wpis models nazywa providera przez model_provider. Literówka w którymkolwiek odwołaniu zawodzi łańcuch, więc trzymaj trzy nazwy spójne. Jedna historyczna uwaga, która wyjaśnia większość zdezorientowanych tutoriali: konfiguracja Trae Agent kiedyś była trae_config.json, a repozytorium teraz dokumentuje ten format jako legacy, z YAML jako bieżącą formą. Przewodniki pokazujące JSON opisują starszy układ; klucze się przeniosły, koncepcje przetrwały. Jeśli masz starą konfigurację JSON, dokumentacja legacy-config repozytorium pokrywa mapowanie. Kąt jednego klucza warto wyłożyć konkretnie dla tego narzędzia. Natywna lista providerów Trae Agent obejmuje dostawców amerykańskich i chińskich, co normalnie oznacza konto i klucz per dostawca, z których niektóre trudno zdobyć zależnie od tego, gdzie siedzisz. Za jednym wpisem bramki, claude-sonnet-4-6, gpt-5.5, deepseek-v4-pro, glm-5.2 i kimi-k2.7-code są wszystkie o jeden string modelu, na jednym kluczu, z jednym saldem, z której strony Pacyfiku byś nie programował.

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

Dobór modeli dla pętli agenta.

Flagi --provider i --model czynią workflow porównania konkretnym: uruchom to samo zadanie dwa razy z różnymi flagami, odczytaj kroki-do-końca i wycenione użycie per model w konsoli, i awansuj zwycięzcę do trae_config.yaml.

• Główna pętla to praca narzędziowa o długim horyzoncie: czytanie plików, edycja, uruchamianie bash, ocenianie, kiedy zadanie jest skończone. claude-sonnet-4-6 i gpt-5.5 trzymają razem dwustukrokowy plan; to ostatnie miejsce, żeby oszczędzać.
• Lakeview to streszczanie o wysokiej częstotliwości i niskiej stawce. claude-haiku-4-5-20251001 albo deepseek-v4-flash utrzymuje je efektywnie darmowym obok wydatku głównej pętli.
• kimi-k2.7-code i glm-5.2 to poważni kandydaci do głównej pętli na bazach kodu z chińskimi komentarzami, historią commitów albo dokumentacją; dwujęzyczne repozytorium to miejsce, gdzie biją modele nastawione na angielski w zrozumieniu, nie tylko w cenie.
• deepseek-v4-pro to wybór wolumenowy do uruchomień wsadowych, przemiatających tę samą poprawkę na wielu repozytoriach albo uruchamiających agenta w CI, gdzie koszt per zadanie się mnoży.
• max_steps to Twój regulator kosztu. Model, który błądzi, spala kroki; przy porównywaniu kandydatów porównuj kroki-do-końca na tym samym zadaniu, nie tokeny per żądanie.

Płatność za użycie · poniżej cen oficjalnych

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

Tryby awarii charakterystyczne dla Trae Agent.

Zamieszanie JSON-kontra-YAML prowadzi wszystko. trae_config.json skopiowany ze starszego przewodnika jest czytany w najlepszym razie jako legacy, a w najgorszym ignorowany, a objawem jest CLI zachowujące się tak, jakbyś nigdy niczego nie skonfigurował. Bieżące konfiguracje należą do trae_config.yaml; migruj stare pliki używając dokumentacji legacy-config repozytorium, zamiast zgadywać nazwy kluczy. Łańcuch trzech nazw łamie się cicho. agents.trae_agent.model musi nazywać wpis models, a model_provider tego wpisu musi nazywać wpis model_providers. Zmień nazwę jednego, a nie pozostałych, a uruchomienie zawiedzie przy starcie z błędem rozwiązywania, a nie błędem żądania, co wskazuje na YAML, nie na sieć. base_url chce mieć dołączone /v1, pasując do przykładu upstream, który wskazuje na korzeń /v1 routera. Goły host produkuje 404, gdy tylko klient dokleja ścieżkę chat-completions. Lakeview zawodzące, podczas gdy agent działa, oznacza, że lakeview_model odwołuje się do identyfikatora, którego endpoint nie serwuje, łatwo to przeoczyć, bo przetestowałeś główny model i zapomniałeś o drugim slocie. A zmienne środowiskowe po cichu wspierające providera, o którym myślałeś, że jest skonfigurowany plikiem, zwłaszcza OPENAI_API_KEY, warto sprawdzić, gdy uwierzytelnianie zachowuje się niespójnie między powłokami.

Kto kieruje Trae Agent przez bramkę.

• Deweloperzy, którzy chcą, żeby Claude albo GPT napędzały pętlę agenta, a GLM, Kimi albo DeepSeek były o jedną flagę dalej, bez trzymania konta u każdego dostawcy.
• Dwujęzyczne zespoły pracujące na bazach kodu chińskich i angielskich, dla których najsilniejszy model per repozytorium może pochodzić z któregokolwiek ekosystemu, adresowalny przez jeden klucz.
• Inżynierowie uruchamiający zadania agenta wsadowo albo w CI, gdzie śledzenie użycia per klucz zamienia flotę uruchomień trae-cli w czytelny raport kosztów.
• Badacze benchmarkujący modele agentów, ponieważ Trae Agent jest zbudowany pod porównania w stylu ablacji, a bramka czyni każdego kandydata tą samą zmianą jednej flagi.
• Deweloperzy bez dostępu do rozliczeń danego dostawcy. Dostęp oparty na doładowaniu, bez wymogu karty, usuwa zależność od rejestracji u każdego dostawcy z osobna.

Zweryfikuj endpoint i debuguj pierwsze zadanie.

Potwierdź, że endpoint serwuje Twoje identyfikatory przed pierwszym uruchomieniem: listing /v1/models Twoim kluczem jest autorytatywną pisownią dla każdego pola model w YAML, zarówno głównego slotu, jak i slotu Lakeview. Awarie pierwszego uruchomienia sortują się czysto. Błąd rozwiązywania konfiguracji, zanim padnie jakiekolwiek żądanie, to łańcuch trzech nazw albo plik JSON legacy. 401 to api_key w bloku providera, albo zmienna środowiskowa go nadpisująca. 404 na każdym żądaniu to base_url bez /v1. Błąd model-not-found nazywa slot, który jest zły, sprawdź, czy to był model agenta czy model Lakeview. A uruchomienie, które startuje, ale zawiesza się w środku zadania, to zwykle model błądzący, a nie endpoint zawodzący, do czego służą max_steps i log kroków. Gdy zadania już działają, konsola APIsRouter pokazuje model per żądanie, liczbę tokenów i wydatki. Agent, który robi sto kroków per zadanie, mnoży wszystko, a log użycia to miejsce, gdzie dowiadujesz się, ile faktycznie kosztuje zadanie na każdym kandydackim modelu.

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

Częste pytania