Agent-Zero-API-Kosten: Haupt-, Dienstprogramm- und Embedding-Modelle

Agent Zero, das Open-Source-KI-Agenten-Framework, kostet 0 $ – seine LICENSE-Datei enthält MIT-Bedingungen und das Copyright von Agent Zero, s.r.o., und agent-zero.ai wirbt weder mit einer Preisseite noch mit einem Tarif oder einem kostenpflichtigen gehosteten Tier dafür – daher bedeutet „Agent Zero pricing“ die darunterliegende Modell-API-Rechnung. Der Unterschied zu einem Agenten mit nur einem Modell besteht darin, dass Agent Zero diese Rechnung auf drei Modellrollen aufteilt, die separat konfiguriert und separat abgerechnet werden: ein Hauptmodell, ein Hilfsmodell und ein Embedding-Modell. Kunavo stellt kein Embedding-Modell bereit, daher werden hier nur die ersten beiden Rollen erworben; die dritte bleibt beim lokalen Standard oder wird an einen Anbieter vergeben, der diesen Schritt verkauft. Eine einzelne Chatantwort bedeutet daher nicht, dass die Integration abgeschlossen ist – sie bedeutet, dass eine von drei Rollen geantwortet hat.

Zunächst eine Abgrenzung, weil sie auf der Ergebnisseite und nicht daneben auftaucht. Agent Zero Token (A0T) ist eine Kryptowährung auf Base und belegte bei der einzigen Suchausspielung dieser Seite für „agent zero pricing“, aufgezeichnet am 17. September 2026, den vierten Platz; eine Coinbase-Preisseite belegte den siebten Platz. Eine Ausspielung ist kein Ranking. Der Token gehört tatsächlich zum Projekt – CoinGeckos Block mit offiziellen Links verweist auf agent-zero.ai und das GitHub-Repository des Projekts –, wodurch er leicht mit einer Preisliste verwechselt werden kann. Das ist er nicht: Kein Tokenkurs ist der Preis dieser Software, diese Seite bietet keine Anlage- oder Handelsberatung, und der Token erscheint weiter unten nur als ausdrücklich genannte Bedingung für einen kostenlosen Endpunkt.

Vier Dinge namens „Agent Zero“, die nicht den Preis dieser Software darstellen

Nur die erste Zeile unten wurde bei der Suchausspielung für „agent zero pricing“ beobachtet; die anderen drei sind Namensüberschneidungen, auf die Sie bei der Recherche stoßen, und keine Treffer dieser Seite.

Am 21. September 2026 geprüfte Quellen: die LICENSE-Datei (MIT, Copyright Agent Zero, s.r.o.), die PyPI-Projektseite und die LLM-API-Bedingungen, die besagen, dass der Dienst „eine kostenlose Bonusfunktion für die Agent-Zero-Community“ und „kein kommerzielles oder kostenpflichtiges Angebot“ ist und Tokeninhabern zur Verfügung steht, die ihre Token staken, wobei das Kontingent „dynamisch bestimmt und nicht garantiert“ wird. Der Schwellenwert für das Staking und das daraus resultierende Kontingent sind nirgendwo veröffentlicht, wo diese Seite sie hätte lesen können, daher wird keines von beiden hier angegeben. Für die Software selbst meldet die GitHub-API für das agent0ai/agent-zero-Repository, dass es nicht archiviert und nicht deaktiviert ist und 19,227 Sterne hat, sowie für das neueste Release v2.12, veröffentlicht am 9. September 2026.

Drei Rollen, drei separate Rechnungen

Der Leitfaden zu den Modellvoreinstellungen von Agent Zero besagt, dass jedes Setup ein Haupt-, ein Hilfs- und ein Embedding-Modell enthält. Das ist kein Überbleibsel aus v1: conf/model_providers.yaml in main hat genau zwei Abschnitte der obersten Ebene, chat: mit 29 Anbietern und embedding: mit 16, und sowohl die Haupt- als auch die Hilfsrolle greifen auf die Chat-Liste zurück. Der Installationsleitfaden ergänzt, dass der integrierte Browser keinen eigenen separaten Standardmodell-Slot besitzt.

Der Standardwert sollte verständlich sein, bevor Sie ihn ändern. In models.py wird ein Embedding-Aufruf, dessen Anbieter huggingface ist und dessen Modellname mit sentence-transformers/ beginnt, zu einem lokalen SentenceTransformer-Wrapper abgekürzt — ohne HTTP-Anfrage und ohne Schlüssel — und das kuratierte Preset „Default“ bindet diese Rolle an sentence-transformers/all-MiniLM-L6-v2. Der Installationsleitfaden erklärt außerdem, dass eine Änderung von embedding_llm „den gesamten Speicher von A0 neu indizieren wird“, wodurch dieses Feld zu einer Migration statt zu einer Einstellung wird — planen Sie es entsprechend und bewahren Sie eine Sicherung des Speicherverzeichnisses auf, bevor Sie es ändern. Die umfassendere Frage, wie Abrufqualität und Speicherung zusammenspielen, behandelt RAG-Implementierung außerhalb dieses Frameworks.

Agent Zero Custom API: Wo Endpunkt und Schlüssel eingetragen werden

Bei der am 17. September 2026 aufgezeichneten Suchauswertung setzte die Abfrage „agent zero custom api“ den API-Integrationsleitfaden des Projekts auf Platz drei. Dieses Dokument beantwortet jedoch eine andere Frage — sein tatsächlicher Titel lautet „Adding External APIs Without Code“ und es geht darum, dem Agenten beizubringen, APIs von Drittanbietern aufzurufen, nicht darum, den LLM-Anbieter auszuwählen. Hier ist stattdessen der Anbieterpfad, wie er am 21. September 2026 aus dem Repository gelesen wurde.

1. Wählen Sie den Anbieter aus. Seine ID lautet other; conf/model_providers.yaml bezeichnet ihn als Other OpenAI compatible und führt ihn sowohl in den Abschnitten chat: als auch embedding: auf. Der Installationsleitfaden bezeichnet ihn ebenfalls als OpenAI Compatible, erwarten Sie daher beide Bezeichnungen in der Oberfläche.
2. Tragen Sie den Schlüssel unter External Services ein. Der Leitfaden formuliert es so: „Fügen Sie den API-Schlüssel unter External Services -> Other OpenAI-compatible API keys hinzu und wählen Sie anschließend OpenAI Compatible als Anbieter in den Modelleinstellungen aus.“
3. Setzen Sie die API-URL für jede Rolle, die Sie verschieben. Es handelt sich um ein rollenbezogenes Feld, das im Preset als api_base gespeichert wird; der Leitfaden beschreibt es als „URL des API-Endpunkts für das Chat-Modell“.
4. Geben Sie die Modell-ID manuell ein, genau so, wie sie im Katalog Ihres Gateways geschrieben ist, und beachten Sie die Präfixkonvention: Native Anbieter verwenden die reine ID, Gateways benötigen üblicherweise ein Anbieterpräfix.

# One Model Preset, three independent blocks. Each carries its own
# provider, model name and api_base, so the three roles can point at
# three different endpoints — and its own rl_* rate-limit fields.
# Schema read from agent0ai/a0-presets
# on September 21, 2026; the values below are an illustration.
chat:
  provider: other        # the UI calls it 'Other OpenAI compatible'
  name: <the id your gateway's own catalog lists>
  api_base: "https://api.kunavo.com/v1"
  ctx_length: 200000
utility:
  provider: other
  name: <a cheaper id from the same catalog>
  api_base: "https://api.kunavo.com/v1"
  ctx_length: 128000
embedding:
  provider: huggingface  # shipped default: local, CPU, no HTTP call
  name: sentence-transformers/all-MiniLM-L6-v2
  api_base: ""

Intern schreibt models.py den Anbieter unmittelbar vor dem Aufruf um — der Kommentar im Quelltext lautet remap other to openai for litellm —, daher muss ein benutzerdefinierter Endpunkt dem Format von OpenAI Chat Completions entsprechen, und jeder Chat-Anbieter im Katalog enthält a0_api_mode: chat. LiteLLM dient für alles als Transport und ist in requirements.txt als litellm==1.88.1 festgelegt, mit dem Kommentar „CVE-2026-42271 fix: patched floor is 1.83.7“. Wenn Sie die Zugangsdaten lieber nicht in die Oberfläche eingeben möchten, wird die Umgebungsvariable in dieser Reihenfolge gelesen:

# models.py get_api_key() reads these three spellings in this order,
# for provider id `other`. A comma-separated value is round-robined
# across calls. Read from main on September 21, 2026.
API_KEY_OTHER=your-key
# OTHER_API_KEY=your-key
# OTHER_API_TOKEN=your-key

Eine wichtige Docker-Falle aus dem Installationsleitfaden: Innerhalb des Containers beziehen sich localhost und 127.0.0.1 in einer API-Basis-URL auf den Agent-Zero-Container, nicht auf Ihren Host. Ein auf dem Host laufender Modellserver benötigt daher http://host.docker.internal:<port> oder die Bridge-Adresse. Das gilt für lokale Laufzeiten, nicht für einen öffentlichen HTTPS-Endpunkt.

Zwei Fehler in der offiziellen Einrichtungsdokumentation sollten Sie kennen, bevor Sie ihr wörtlich folgen, da beide am 21. September 2026 bestätigt wurden. Erstens sind die Download-Links für den A0 Launcher im Installationsleitfaden fest auf v0.9 gesetzt, und der Text verweist auf „the A0 Launcher v0.9 release“, während die eigene Release-Seite des Launchers v1.7 zeigt, veröffentlicht am 9. September 2026 — acht Releases neuer. Verwenden Sie die Release-Seite statt der festgelegten Download-URLs. Zweitens führt die Tabelle „Model Naming by Provider“ des Leitfadens in der Beispielzelle der Zeile OpenAI eine Anthropic-Modell-ID auf; der umgebende Text stellt den Unterschied korrekt dar. Übernehmen Sie die allgemeine Regel aus dem Fließtext, nicht aus dieser Tabellenzeile: Ein nativer Anbieter verwendet die reine Modell-ID, ein Gateway benötigt üblicherweise ein Anbieterpräfix.

Vier Grenzen, an die ein benutzerdefinierter Endpunkt stößt

Die Cache-Prüfung verändert ein Budget am wahrscheinlichsten; daher folgt genau, was der Quelltext sagt. _supports_cache_control_markers gibt nur dann true zurück, wenn api_base openrouter.ai oder anthropic.com enthält oder wenn der normalisierte Anbieter in einer festen Menge enthalten ist, zu der anthropic, bedrock, gemini, minimax, openrouter und vertex_ai gehören. Der Anbieter other wird zu openai normalisiert, was nicht in dieser Menge enthalten ist. Der zweite Pfad, _is_openai_prompt_cache_provider, gibt für jede api_base, die nicht api.openai.com oder openai.azure.com ist, false zurück. Für eine Basis-URL, die keinen dieser vier Hostnamen enthält und deren Anbieter zu openai normalisiert wird, wendet Agent Zero weder Anthropic-ähnliche Breakpoints noch OpenAI-Cache-Schlüssel an. Grenzen Sie diese Aussage sorgfältig ein: Sie beschreibt, was Agent Zero sendet, nicht die Behauptung, dass ein Cache-Rabatt nicht verfügbar ist.

Bei den beiden Fehlerberichten sollten Sie sie als das darstellen, was sie sind. Issue #1769 ist ein am 21. September 2026 offener Nutzerbericht mit dem Titel „LiteLLM calls exit(-9) when a model in model_cost has a litellm_provider that differs from the provider's actual litellm_provider mapping“; in seiner eigenen Beschreibung steht, dass er „any provider that resells or proxies models from multiple origins“ betrifft, was ein Gateway beschreibt. Für diese Seite hat niemand den Fehler reproduziert, und ob er bei einer bestimmten Modell-ID ausgelöst wird, ist ungetestet. PR #1437 berichtet, dass LiteLLM 1.80.11 und spätere Versionen encoding_format: null senden, wenn der Wert nicht gesetzt ist, und dass strikte Validatoren dies mit 422 ablehnen; außerdem kann eine nicht gekürzte Speicherabrufabfrage den Kontext eines Embedding-Modells überschreiten. Der PR ist offen und nicht zusammengeführt; das übergeordnete Issue #1436 ist geschlossen, und wie dieses Issue gelöst wurde, ließ sich nicht feststellen. Daher wird hier weder „behoben“ noch „aktiv“ behauptet.

Ein durchgerechnetes Kostenbeispiel pro Rolle

Dies sind veranschaulichende Tokenberechnungen, keine gemessenen Aufgabenkosten und keine Obergrenze der Rechnung. Nehmen wir eine Woche gleichmäßiger Nutzung an: 6 Millionen nicht gecachte Eingabe-Tokens und 300,000 Ausgabe-Tokens für die Hauptrolle sowie 1.5 Millionen Eingabe-Tokens und 150,000 Ausgabe-Tokens für die Hilfsrolle. Diese Aufteilung ist eine Annahme zur Veranschaulichung — für diese Seite hat niemand eine Agent-Zero-Schleife gemessen. Die Preise sind aktuelle Kunavo-Katalogpreise pro Million Tokens.

Zwei Betrachtungsweisen, und sie weisen in entgegengesetzte Richtungen. Erstens umfasst die Wahl der Hauptrolle unter diesen Annahmen zwischen der teuersten und der günstigsten Zeile oben eine Spanne von $10.14 pro Woche, während die Wahl der Hilfsrolle $0.10 umfasst. Die Optimierung des zweiten Feldes ist nicht der entscheidende Kostenpunkt, es sei denn, Ihre Nutzung ist ungewöhnlich stark auf Hintergrundaufgaben ausgerichtet — und der Installationsleitfaden warnt ohnehin davor, dort zu klein zu wählen, da sehr kleine Modelle (genannt werden 4B) häufig bei einer zuverlässigen Speicherextraktion scheitern. Zweitens werden die beiden Rollen unabhängig kombiniert: GPT-5.6 Terra mit Claude Haiku 4.5 ergibt geschätzte $7.03 pro Woche gegenüber $17.28 für GPT-5.6 Sol mit GPT-5.6 Terra. Die dritte Rolle verursacht keine API-Kosten, solange sie mit dem lokalen CPU-Standard läuft.

Zur Einordnung anhand der eigenen Auswahl des Projekts lädt Agent Zero beim ersten Start drei kuratierte Presets herunter, wenn keine gespeicherte Sammlung vorhanden ist. Default kombiniert ein Chatmodell namens GPT-5.6 Terra mit einem Hilfsmodell namens Google flash-lite; Power kombiniert GPT-5.6 Sol mit GPT-5.6 Luna; Efficiency kombiniert ein GLM-Chatmodell mit einem DeepSeek-Hilfsmodell. Nur Default führt die Embedding-Rolle ausdrücklich auf und legt dafür das lokale CPU-Modell fest; Efficiency und Power enthalten in dieser Datei überhaupt keinen Embedding-Block. Diese Verweise sind im OpenRouter-Stil geschrieben, den die Datei verwendet, daher ist keiner davon in der angegebenen Form eine Kunavo-ID — verwenden Sie die IDs aus Kunavos eigenem Katalog. Diese Datei wurde zuletzt am 17. Juli 2026 gepusht, daher kann ihre Modellauswahl hinter dem Markt zurückliegen.

Skalieren Sie alles anhand Ihrer eigenen Wochen, bevor Sie es als Budget betrachten. Der Katalogbetrag von Kunavo ist eine Abrechnungsuntergrenze und keine Obergrenze: Wenn der Upstream seine Kosten meldet, ist die Rechnung der höhere Wert aus den Katalogkosten und den Upstream-Kosten multipliziert mit dem geltenden Aufschlag. Cache-Gebühren und externe Tools sind in diesem Beispiel nicht enthalten. Die minimale Kunavo-Aufladung beträgt $10 als Vorauszahlungsguthaben — ein Mindestbetrag zur Finanzierung, keine Aufgaben-Gebühr und kein Abonnement. Siehe Abrechnungsdetails.

Beste API für Agent Zero: Welche Route wann gewinnt

Ein Detail aus der First-Party-Dokumentation macht das Argument für die Trennung nach Rollen konkret statt theoretisch. Das Cline-Pass-Plugin existiert teilweise deshalb, weil eine API mit Abonnement, die nur streamt, speziell die Hilfs-Aufrufe unterbricht — das Plugin fügt einen No-op-Streaming-Callback ein, sodass Hintergrundarbeiten wie Chat-Benennung, Komprimierung und Speicherkonsolidierung weiterhin funktionieren. Rollen fallen unabhängig voneinander aus; genau deshalb ist eine einzelne erfolgreiche Chat-Antwort kein Integrationstest. Agent Zero liefert außerdem ein LLM-Cost-Tracker-Plugin, das die Nutzung nach Aufrufklasse gruppiert — unter anderem Hauptchat, untergeordnete Agenten und Hilfsfunktionen — und keinerlei Preise enthält, sondern Sie auffordert: „Fill in rates from your provider's official pricing page“. Tragen Sie die Werte pro Rolle ein, sonst berechnet das Dashboard jede Klasse mit dem jeweils einzigen von Ihnen eingegebenen Preis.

Richten Sie alles ein und überprüfen Sie anschließend alle drei Rollen.

Kunavo hat Agent Zero nicht zur Laufzeit gegen seinen Endpunkt getestet und veröffentlicht keine Agent-Zero-Integrationsseite; alle obigen Angaben wurden am 21. September 2026 aus dem eigenen Quelltext und der eigenen Dokumentation von Agent Zero gelesen. Überprüfen Sie daher die Rollen statt nur die erste Antwort: Senden Sie eine Chatnachricht für die Hauptrolle, lösen Sie anschließend Hintergrundarbeit aus — starten Sie eine neue Konversation, damit die automatische Benennung erfolgt, oder lassen Sie eine Sitzung lange genug laufen, damit sie komprimiert wird — und bestätigen Sie, dass das Hilfsmodell geantwortet hat. Belassen Sie die Embedding-Rolle beim lokalen Standard, sofern Sie nicht beschlossen haben, sie zu migrieren, da diese Änderung den Speicher neu indiziert. Halten Sie währenddessen eine funktionierende Route verfügbar, führen Sie eine begrenzte Aufgabe aus und vergleichen Sie die von Ihrem Konto erfassten Kosten mit der eigenen Schätzung des Kosten-Trackers.

Wenn Sie die beiden kostenpflichtigen Rollen über einen Endpunkt leiten, enthält der Quickstart die Basis-URL und eine erste Anfrage, und das Anlegen eines Kunavo-Kontos erfordert das Prepaid-Mindestguthaben von $10 ohne Abonnement. Für die weitergehenden Entscheidungen behandelt die OpenAI-kompatible API-Referenz das von Agent Zero verwendete Endpunktformat, Agent Zero vs OpenClaw vergleicht die beiden Harnesses hinsichtlich Ausführung und Speicher, LiteLLM-Alternativen behandelt die Transportschicht, die jeder Agent-Zero-Aufruf durchläuft, und KI-Kostenoptimierung behandelt die Messung einer realen Aufgabe statt einer Preisliste.

Häufig gestellte Fragen

Der Zustand des Agent-Zero-Repositorys, die neueste Version, der Status von Issue und Pull Request, der Anbieterkatalog, models.py, der LiteLLM-Transport, die Requirements, die kuratierte Preset-Datei, die Installations- und Fehlerbehebungsleitfäden, die LLM-API-Bedingungen und die PyPI-Kollision wurden am 21. September 2026 überprüft. Die Positionen in den Suchergebnissen stammen aus einer am 17. September 2026 aufgezeichneten einzelnen Auswertung und stellen kein Ranking dar. Die Kunavo-Tokenpreise wurden aus dem aktuellen Katalog gelesen; jeder Dollarbetrag auf dieser Seite ist eine veranschaulichende Tokenberechnung auf Grundlage einer genannten Annahme und keine gemessene Aufgabenkosten.