Trae Agent کو ہر model کے لیے ایک endpoint پر point کریں۔

فوری جواب: ایک provider block، ایک model block۔

Trae Agent کی موجودہ configuration YAML ہے: project directory میں trae_config.yaml، تین متعلقہ blocks کے ساتھ۔ model_providers endpoints define کرتا ہے، اور ہر entry api_key، provider، اور base_url لیتی ہے، تو ایک OpenAI-compatible gateway محض ایک openai-type provider ہے جس کا base_url بدل دیا گیا ہو۔ models named model configs define کرتا ہے جو model_provider کے ذریعے کسی provider کا حوالہ دیتے ہیں۔ agents trae_agent کو ان model names میں سے کسی ایک سے باندھتا ہے۔ Upstream README بالکل یہی شکل دکھاتا ہے ایک multi-model service کے ذریعے route کرنے کے لیے: ایک openai provider entry جس کا base_url service کے /v1 root کی طرف اشارہ کرے۔ APIsRouter کے لیے، یہ ہے https://api.apisrouter.com/v1، اور model field پھر کسی بھی کیٹلاگ id کو ایک plain string کے طور پر لیتا ہے، Claude اور Kimi ids سمیت، کیونکہ provider type صرف request کی format کا فیصلہ کرتا ہے، vendor کا نہیں۔

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

Trae Agent اندر سے کیسے wired ہے۔

Trae Agent (GitHub پر bytedance، تقریباً 12K stars) ByteDance کا command line کے لیے research-oriented software-engineering agent ہے: trae-cli کو ایک task دیں اور یہ اس پر ایک transparent tool loop کے ساتھ کام کرتا ہے، بلٹ-ان tools میں bash، file editing، اور sequential thinking شامل ہیں، ایک configurable max_steps تک۔ یہ جان بوجھ کر modular ہے، اسی لیے config providers کو models سے اور models کو agents سے الگ رکھتا ہے: ایک ہی provider کئی model configs کو support کر سکتا ہے، اور agent کس پر چلتا ہے یہ بدلنا ایک name reference کی ایک-لائن ایڈٹ ہے۔ عملی طور پر دو model slots اہم ہیں۔ trae_agent_model main loop ہے، وہ model جو reasoning، tool calls، اور edits کرتا ہے، جہاں دو سو کا max_steps مطلب رکھتا ہے کہ ایک واحد task billed calls کا ایک لمبا سلسلہ ہو سکتا ہے۔ lakeview_model، Lakeview کو طاقت دیتا ہے، Trae کا step-summarization feature جو ہر step پر agent نے کیا کیا اس کی مختصر قابلِ مطالعہ summaries پیدا کرتا ہے۔ Lakeview اکثر چلتا ہے اور اس کا output glanceable prose ہوتا ہے، جو اسے ایک تیز id کے لیے textbook slot بنا دیتا ہے جبکہ main loop ایک frontier id رکھتا ہے۔ Configuration صرف YAML سے زیادہ چیزوں سے resolve ہوتی ہے: CLI فی-run --provider اور --model flags قبول کرتا ہے، اور provider-specific environment variables، OPENAI_API_KEY اور OPENAI_BASE_URL documented set میں شامل، وہی settings feed کرتی ہیں۔ flags وہ طریقہ ہیں جس سے آپ فائل چھوئے بغیر دوسرے model کو A/B کرتے ہیں۔

مکمل سیٹ اپ: agent، Lakeview، اور ایک run۔

مکمل config agent کو ایک main model سے اور Lakeview کو ایک fast model سے باندھتا ہے، دونوں ایک ہی provider entry کے ذریعے۔ indirection نوٹ کریں: agents.trae_agent.model، models میں ایک entry کا نام لیتا ہے، اور ہر models entry model_provider کے ذریعے ایک provider کا نام لیتی ہے۔ کسی بھی reference میں typo پوری chain کو fail کر دیتا ہے، تو تینوں نام consistent رکھیں۔ ایک تاریخی نوٹ جو زیادہ تر confused tutorials کی وضاحت کرتا ہے: Trae Agent کی configuration پہلے trae_config.json ہوا کرتی تھی، اور repo اب اس format کو legacy کے طور پر document کرتا ہے جبکہ YAML موجودہ form ہے۔ JSON دکھانے والی guides ایک پرانا layout بیان کر رہی ہیں؛ keys migrate ہو گئیں، concepts ساتھ آ گئے۔ اگر آپ کے پاس پرانی JSON config ہے، تو repo کی legacy-config doc mapping کور کرتی ہے۔ one-key پہلو کو خاص طور پر اس tool کے لیے کھول کر بیان کرنا اہم ہے۔ Trae Agent کی native provider list امریکی اور چینی vendors تک پھیلی ہوئی ہے، جس کا عام مطلب ہے فی-vendor ایک account اور key، جن میں سے کچھ کا حاصل کرنا آپ کے مقام پر منحصر مشکل ہو سکتا ہے۔ ایک gateway entry کے پیچھے، claude-sonnet-4-6، gpt-5.5، deepseek-v4-pro، glm-5.2، اور kimi-k2.7-code سب ایک model-string کے فاصلے پر ہیں، ایک key پر، ایک balance کے ساتھ، آپ Pacific کے کسی بھی طرف سے develop کریں۔

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

agent loop کے لیے models چننا۔

--provider اور --model flags comparison workflow کو ٹھوس بنا دیتے ہیں: مختلف flags کے ساتھ ایک ہی task دو بار چلائیں، console میں steps-to-done اور فی-model priced usage پڑھیں، اور فاتح کو trae_config.yaml میں promote کریں۔

• Main loop long-horizon tool work ہے: files پڑھنا، editing، bash چلانا، یہ فیصلہ کرنا کہ task کب ختم ہوا۔ claude-sonnet-4-6 اور gpt-5.5 دو سو steps کے plan کو اکٹھا رکھتے ہیں؛ یہ slot کفایت کرنے کی آخری جگہ ہے۔
• Lakeview high-frequency، low-stakes summarization ہے۔ claude-haiku-4-5-20251001 یا deepseek-v4-flash اسے main loop کے spend کے مقابلے میں عملی طور پر مفت رکھتا ہے۔
• kimi-k2.7-code اور glm-5.2 ایسے codebases کے main loop کے لیے سنجیدہ candidates ہیں جن میں چینی comments، commit history، یا docs ہوں؛ ایک bilingual repo وہ جگہ ہے جہاں یہ comprehension میں English-first models کو مات دیتے ہیں، صرف قیمت میں نہیں۔
• deepseek-v4-pro batch runs کے لیے volume pick ہے، ایک ہی fix کو کئی repos پر sweep کرنا یا agent کو CI میں چلانا، جہاں فی-task cost ضرب کھاتی ہے۔
• max_steps آپ کا cost governor ہے۔ بھٹکنے والا model steps جلاتا ہے؛ candidates compare کرتے وقت، ایک ہی task پر steps-to-done compare کریں، فی-request tokens نہیں۔

استعمال کے مطابق ادائیگی · سرکاری قیمت سے کم

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

Trae Agent سے مخصوص failure modes۔

JSON-بمقابلہ-YAML کی الجھن سب سے آگے ہے۔ کسی پرانی guide سے copy کیا گیا trae_config.json بہترین صورت میں legacy کے طور پر پڑھا جاتا ہے اور بدترین صورت میں نظر انداز کر دیا جاتا ہے، اور علامت یہ ہے کہ CLI ایسے برتاؤ کرتا ہے جیسے آپ نے کچھ configure ہی نہیں کیا۔ موجودہ setups trae_config.yaml میں ہونے چاہئیں؛ key names کا اندازہ لگانے کی بجائے repo کی legacy-config doc استعمال کر کے پرانی فائلیں migrate کریں۔ three-name chain خاموشی سے ٹوٹتی ہے۔ agents.trae_agent.model کو models میں ایک entry کا نام لینا چاہیے، اور اس entry کے model_provider کو model_providers میں ایک entry کا نام لینا چاہیے۔ ایک کا نام بدل دیں اور باقی کا نہیں تو run startup پر request error کی بجائے ایک resolution error کے ساتھ fail ہو جاتی ہے، جو آپ کو network کی بجائے YAML کی طرف اشارہ کرتی ہے۔ base_url کو /v1 شامل کرنا چاہیے، اس upstream example سے میچ کرتے ہوئے جو ایک router کے /v1 root کی طرف اشارہ کرتا ہے۔ ایک bare host، client کے chat-completions path append کرتے ہی 404s پیدا کرتا ہے۔ Lakeview کا fail ہونا جبکہ agent کام کرے مطلب ہے lakeview_model ایسی id کا حوالہ دیتا ہے جو endpoint serve نہیں کرتا، جسے miss کرنا آسان ہے کیونکہ آپ نے main model ٹیسٹ کیا اور دوسری slot بھول گئے۔ اور environment variables جو خاموشی سے ایک ایسے provider کو support کر رہے ہوں جسے آپ file-configured سمجھتے تھے، خاص طور پر OPENAI_API_KEY، جانچنے کے قابل ہیں جب authentication shells کے درمیان غیر مستقل رویہ دکھائے۔

Trae Agent کو gateway کے ذریعے کون route کرتا ہے۔

• وہ developers جو Claude یا GPT کو agent loop چلاتے دیکھنا چاہتے ہیں اور GLM، Kimi، یا DeepSeek کو ایک flag کے فاصلے پر، بغیر ہر vendor کے پاس account رکھے۔
• Chinese اور English codebases میں کام کرنے والی bilingual teams، جن کے لیے فی-repo مضبوط ترین model کسی بھی ecosystem سے آ سکتا ہے، ایک key کے ذریعے قابلِ رسائی۔
• وہ engineers جو batch یا CI agent tasks چلاتے ہیں، جہاں per-key usage tracking trae-cli runs کے ایک fleet کو ایک قابلِ مطالعہ cost report میں بدل دیتی ہے۔
• وہ researchers جو agent models کو benchmark کرتے ہیں، کیونکہ Trae Agent ablation-style comparison کے لیے بنایا گیا ہے اور gateway ہر candidate کو ایک ہی one-flag تبدیلی بنا دیتا ہے۔
• وہ developers جن کے پاس کسی مخصوص vendor کی billing تک رسائی نہیں۔ Top-up پر مبنی رسائی بغیر کارڈ کی شرط کے فی-provider sign-up کا انحصار ختم کر دیتی ہے۔

Endpoint verify کریں اور پہلی task debug کریں۔

پہلی run سے پہلے تصدیق کریں کہ endpoint آپ کی ids serve کرتا ہے: آپ کی key کے ساتھ /v1/models listing YAML میں ہر model field کے لیے authoritative spelling ہے، main slot اور Lakeview slot دونوں کے لیے۔ پہلی-run کی failures صاف طور پر sort ہوتی ہیں۔ کسی بھی request سے پہلے config resolution error three-name chain یا ایک legacy JSON file ہے۔ 401 provider block میں api_key ہے، یا کوئی environment variable جو اسے override کر رہا ہو۔ ہر request پر 404 مطلب ہے base_url میں /v1 missing ہے۔ model-not-found error اس slot کا نام لیتی ہے جو غلط ہے، چیک کریں کہ آیا یہ agent model تھا یا Lakeview model۔ اور ایک run جو شروع تو ہو مگر task کے بیچ رک جائے عموماً model کا بھٹکنا ہے نہ کہ endpoint کا fail ہونا، اور یہی وہ چیز ہے جس کے لیے max_steps اور step log موجود ہیں۔ جب tasks چلنے لگیں، APIsRouter console per-request model، token counts، اور spend دکھاتا ہے۔ ایسا agent جو فی-task سو steps لے ہر چیز کو ضرب دیتا ہے، اور usage log وہی جگہ ہے جہاں آپ سیکھتے ہیں کہ ایک task ہر candidate model پر حقیقتاً کتنی لاگت رکھتا ہے۔

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

عمومی سوالات