Aponte o Trae Agent para um endpoint para todo modelo.

Resposta rápida: um bloco de provider, um bloco de modelo.

A configuração atual do Trae Agent é YAML: trae_config.yaml no diretório do projeto, com três blocos relevantes. model_providers define endpoints, e cada entrada recebe api_key, provider, e base_url, então um gateway compatível com OpenAI é só um provider do tipo openai com seu base_url trocado. models define configs de modelo nomeadas que referenciam um provider através de model_provider. agents vincula trae_agent a um desses nomes de modelo. O README upstream mostra exatamente esse formato para rotear através de um serviço multi-modelo: uma entrada de provider openai cujo base_url aponta para a raiz /v1 do serviço. Para a APIsRouter, isso é https://api.apisrouter.com/v1, e o campo model então recebe qualquer id do catálogo como uma string simples, ids Claude e Kimi incluídos, porque o tipo de provider só decide o formato da requisição, não o fornecedor.

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

Como o Trae Agent é conectado por dentro.

O Trae Agent (bytedance no GitHub, cerca de 12 mil estrelas) é o agente de engenharia de software orientado a pesquisa da ByteDance para a linha de comando: dê uma tarefa ao trae-cli e ele trabalha nela através de um loop de ferramentas transparente, bash, edição de arquivo, e pensamento sequencial entre as ferramentas embutidas, até um max_steps configurável. É deliberadamente modular, o que é por que a config separa providers de modelos de agentes: o mesmo provider pode sustentar várias configs de modelo, e trocar o que o agente roda é uma edição de uma linha em uma referência de nome. Dois slots de modelo importam na prática. trae_agent_model é o loop principal, o modelo fazendo o raciocínio, chamadas de ferramenta, e edições, onde max_steps de duzentos significa que uma única tarefa pode ser uma longa sequência de chamadas cobradas. lakeview_model alimenta o Lakeview, a funcionalidade de sumarização de etapas do Trae que produz resumos curtos e legíveis do que o agente fez em cada etapa. O Lakeview dispara com frequência e sua saída é prosa de relance, o que o torna o slot de manual para um id rápido enquanto o loop principal mantém um de ponta. A configuração resolve a partir de mais do que o YAML: a CLI aceita flags --provider e --model por execução, e variáveis de ambiente específicas de provider, OPENAI_API_KEY e OPENAI_BASE_URL entre o conjunto documentado, alimentam as mesmas configurações. As flags são como você faz A/B de um segundo modelo sem tocar no arquivo.

Configuração completa: agente, Lakeview, e uma execução.

A config completa vincula o agente a um modelo principal e o Lakeview a um rápido, ambos através da mesma entrada de provider. Note a indireção: agents.trae_agent.model nomeia uma entrada em models, e cada entrada de models nomeia um provider através de model_provider. Um erro de digitação em qualquer uma das referências quebra a cadeia, então mantenha os três nomes consistentes. Uma nota histórica que explica a maioria dos tutoriais confusos: a configuração do Trae Agent costumava ser trae_config.json, e o repositório agora documenta esse formato como legado com YAML sendo a forma atual. Guias mostrando JSON estão descrevendo um layout mais antigo; as chaves migraram, os conceitos permaneceram. Se você tem uma config JSON antiga, a documentação de config legada do repositório cobre o mapeamento. O ângulo de uma-única-chave vale a pena detalhar para essa ferramenta em particular. A lista nativa de providers do Trae Agent abrange fornecedores americanos e chineses, o que normalmente significa uma conta e chave por fornecedor, algumas difíceis de obter dependendo de onde você está. Atrás de uma entrada de gateway, claude-sonnet-4-6, gpt-5.5, deepseek-v4-pro, glm-5.2, e kimi-k2.7-code estão todos a uma string de modelo de distância, em uma chave, com um saldo, de qualquer lado do Pacífico que você desenvolva.

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

Escolhendo modelos para o loop do agente.

As flags --provider e --model tornam o workflow de comparação concreto: rode a mesma tarefa duas vezes com flags diferentes, leia etapas-até-concluído e o uso precificado por modelo no console, e promova o vencedor para trae_config.yaml.

• O loop principal é trabalho de ferramenta de longo horizonte: ler arquivos, editar, rodar bash, julgar quando a tarefa está feita. claude-sonnet-4-6 e gpt-5.5 sustentam um plano de duzentas etapas; esse slot é o último lugar para economizar.
• O Lakeview é sumarização de alta frequência e baixo risco. claude-haiku-4-5-20251001 ou deepseek-v4-flash o mantém efetivamente de graça ao lado do gasto do loop principal.
• kimi-k2.7-code e glm-5.2 são candidatos sérios para o loop principal em bases de código com comentários, histórico de commit, ou documentação em chinês; um repositório bilíngue é onde eles vencem modelos com foco em inglês em compreensão, não só em preço.
• deepseek-v4-pro é a escolha de volume para execuções em lote, varrendo a mesma correção por muitos repositórios ou rodando o agente em CI, onde o custo por tarefa se multiplica.
• max_steps é seu governador de custo. Um modelo que se perde queima etapas; ao comparar candidatos, compare etapas-até-concluído na mesma tarefa, não tokens por requisição.

Pague pelo uso · abaixo do preço oficial

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

Modos de falha específicos do Trae Agent.

A confusão JSON-versus-YAML lidera tudo. Um trae_config.json copiado de um guia mais antigo é lido como legado na melhor das hipóteses e ignorado na pior, e o sintoma é a CLI se comportando como se você nunca tivesse configurado nada. Configurações atuais pertencem a trae_config.yaml; migre arquivos antigos usando a documentação de config legada do repositório em vez de adivinhar nomes de chave. A cadeia de três nomes quebra silenciosamente. agents.trae_agent.model precisa nomear uma entrada de models, e o model_provider dessa entrada precisa nomear uma entrada de model_providers. Renomeie um e não os outros e a execução falha na inicialização com um erro de resolução em vez de um erro de requisição, o que aponta você para o YAML, não para a rede. base_url quer o /v1 incluído, combinando com o exemplo upstream que aponta para a raiz /v1 de um roteador. Um host puro produz 404s assim que o cliente anexa o caminho de chat-completions. O Lakeview falhando enquanto o agente funciona significa que lakeview_model referencia um id que o endpoint não serve, fácil de perder porque você testou o modelo principal e esqueceu o segundo slot. E variáveis de ambiente silenciosamente sustentando um provider que você achava configurado por arquivo, OPENAI_API_KEY especialmente, valem a pena verificar quando a autenticação se comporta de forma inconsistente entre shells.

Quem roteia o Trae Agent por um gateway.

• Desenvolvedores que querem Claude ou GPT conduzindo o loop do agente e GLM, Kimi, ou DeepSeek a uma flag de distância, sem manter uma conta em cada fornecedor.
• Times bilíngues trabalhando entre bases de código em chinês e inglês, para quem o modelo mais forte por repositório pode vir de qualquer um dos dois ecossistemas, endereçável através de uma chave.
• Engenheiros rodando tarefas de agente em lote ou CI, onde rastreamento de uso por chave transforma uma frota de execuções trae-cli em um relatório de custo legível.
• Pesquisadores fazendo benchmark de modelos de agente, já que o Trae Agent é construído para comparação estilo ablação e o gateway torna todo candidato a mesma mudança de uma flag.
• Desenvolvedores sem acesso ao faturamento de um determinado fornecedor. O acesso baseado em recarga sem exigência de cartão remove a dependência de cadastro por provedor.

Verifique o endpoint e depure a primeira tarefa.

Confirme que o endpoint serve seus ids antes da primeira execução: a listagem /v1/models com sua chave é a grafia autoritativa para todo campo model no YAML, tanto o slot principal quanto o do Lakeview. Falhas de primeira execução se separam claramente. Um erro de resolução de config antes de qualquer requisição é a cadeia de três nomes ou um arquivo JSON legado. Um 401 é a api_key no bloco de provider, ou uma variável de ambiente a sobrescrevendo. Um 404 em toda requisição é um base_url sem seu /v1. Um erro model-not-found nomeia o slot que está errado, verifique se foi o modelo do agente ou o modelo do Lakeview. E uma execução que começa mas trava no meio da tarefa geralmente é o modelo se perdendo em vez do endpoint falhando, que é para isso que servem max_steps e o log de etapas. Assim que as tarefas rodam, o console da APIsRouter mostra modelo, contagens de token e gasto por requisição. Um agente que leva cem etapas por tarefa multiplica tudo, e o log de uso é onde você aprende quanto uma tarefa genuinamente custa em cada modelo candidato.

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

Perguntas frequentes