Das Ändern des Embedding-Modells von Agent Zero bedeutet, den Embedding-Slot in einem Model Preset zu bearbeiten und auf Save zu klicken — und wenn diese Bearbeitung den Anbieter oder den Modellnamen ändert, wird beim nächsten Zugriff der Speicher neu indiziert, weil ein FAISS-Index auf die Ausgabebreite eines Modells zugeschnitten ist und die bereits auf der Festplatte liegenden Vektoren vom alten Modell geschrieben wurden. Agent Zeros eigener Installationsleitfaden nennt die Folge in einer einzigen Zeile — „Changing the embedding_llm will re-index all of A0's memory“ — und liefert weder ein Verfahren noch eine Dauer noch einen Weg zurück. Diese Seite schließt diese Lücke anhand der Quelle: was der automatische Neuaufbau tatsächlich tut, bei welchen zwei Pfaden er stillschweigend nicht ausgelöst wird, wie du überprüfst, dass alte Erinnerungen weiterhin abgerufen werden, und wie du zurückkehrst. Kunavo stellt kein Embedding-Modell bereit, daher wird dieser Slot anderswo bezogen; die Slots, deren Preis Kunavo festlegen kann, sind der Haupt- und der Utility-Slot.
Zwei Versionsnummern müssen zuerst auseinandergehalten werden. Das Framework ist bei v2.12, veröffentlicht am 9. September 2026 laut dem eigenen Release-Artikel des Projekts. Die prominenteste Nummer in der README ist A0 Launcher v1.7; dabei handelt es sich um den separaten Desktop-Installer in agent0ai/a0-launcher — ihn dem Framework zuzuordnen, wäre um eine ganze Hauptversion falsch. Und in v2.x liegen die Modellfelder in einem Preset statt in einer flachen globalen Einstellung: der Leitfaden zu den Model Presets sagt, dass „every setup contains a main, utility, and embedding model“, und unter Settings → Agent → Models wählst du aus, welches Preset neue Chats verwenden. Beachte, dass der Installationsleitfaden weiterhin einen Abschnitt „Embedding Model Settings“ mit den Feldern Provider und Model Name dokumentiert. Ein entsprechend verfasster Ablauf ist daher nicht automatisch veraltet — aber der eingegebene Wert landet in einem Preset-Slot, wodurch die folgende Warnung zur Weitergabe relevant wird.
Warum dies nicht dem Wechsel des Chat-Modells entspricht
Eine Änderung des Chat-Modells wird bei der nächsten Anfrage wirksam, und auf der Festplatte muss nichts verschoben werden. Eine Änderung des Embeddings macht den Speicher ungültig. Agent Zero dimensioniert seinen FAISS-Index anhand dessen, was das aktive Modell zurückgibt — faiss.IndexFlatIP(len(embedder.embed_query("example"))) in plugins/_memory/helpers/memory.py — daher ist die Breite eine Eigenschaft des Modells und nicht eines Konfigurationswerts. Das mitgelieferte Standardmodell sentence-transformers/all-MiniLM-L6-v2 bildet Text laut seiner Model Card auf einen 384-dimensionalen Raum ab. OpenAIs Embedding-Leitfaden nennt für text-embedding-3-small 1536 und für text-embedding-3-large 3072. Das ist die Formänderung, die ein Wechsel verursacht.
Zwei Scoping-Fakten bestimmen, wie viele Neuaufbauten du tatsächlich kaufst. Erstens ist dies eine Preset-Bearbeitung, keine globale Änderung: Der Leitfaden zu Model Presets sagt, dass Scopes „store only the preset choice; editing a preset updates every scope that uses it“. Eine Bearbeitung kann sich daher weiter ausbreiten als beabsichtigt — und ein Wechsel zwischen Presets kann auch das Embedding-Modell ändern. Die kuratierten Presets Efficiency und Power enthalten keinen eigenen Embedding-Block, und der Leitfaden sagt nur, dass ein vorhandenes Nicht-Standard-Preset may ausgelassene erweiterte Werte von Default übernehmen kann. Lies daher die Preset-Zusammenfassung, statt dies anzunehmen. Zweitens ist project_memory_isolation: true der mitgelieferte Standardwert in der Konfiguration des Memory-Plugins. Eine Instanz mit mehreren Projekten enthält daher mehrere unabhängige Speicher, und jeder wird bei seiner nächsten Verwendung separat neu aufgebaut — ein Projekt, das wochenlang nicht angefasst wurde, bezahlt seinen Neuaufbau an dem Tag, an dem jemand es öffnet.
Schritt 1: Sichern und notieren, was du verlässt
Agent Zeros Benutzerleitfaden nennt diesen Fall bereits: Backups schützen „your chats, projects, knowledge, memory, settings, skills, and workspace files“, und „bulk memory cleanup“ wird als etwas aufgeführt, das vorher gesichert werden sollte. Erstelle eines unter Settings → Backup & Restore oder nutze das Launcher-/a0/usr-Backup. Beachte den eigenen Hinweis des Leitfadens, dass Geheimnisse „may not always be included in backup archives“; bewahre Zugangsdaten daher separat auf.
Notiere anschließend das Modell, von dem du migrierst. Gehe nicht davon aus — die kuratierte Preset-Sammlung wird beim ersten Start aus einem öffentlichen Repository heruntergeladen und kann sich nach deinem Installationsdatum ändern.
# Read the CURRENT model off your own instance before you touch anything.
# The curated preset set is fetched from GitHub at first start, so the
# default you installed with is not necessarily today's default.
# Container name: take it from your own `docker ps`.
docker exec agent-zero ls -la /a0/usr/memory/default
docker exec agent-zero cat /a0/usr/memory/default/embedding.json
# -> {"model_provider": "huggingface",
# "model_name": "sentence-transformers/all-MiniLM-L6-v2"}
# Projects do not share that directory. With project isolation on (the
# shipped default) each project keeps its own store under its own meta
# directory, and each one rebuilds on its own next use.Schritt 2: Die Änderung vornehmen
Der in dem Installationsleitfaden dokumentierte Ablauf umfasst drei Schritte: Öffne Settings in der Web-UI, wähle für jede Rolle den Anbieter und trage den Modellnamen ein, klicke auf Save. Vier Dinge, die dieser Ablauf nicht erklärt und die alle aus der Quelle auf main stammen:
| Falle | Was tatsächlich passiert |
|---|---|
| Eine API-Basis-URL im Standard-Slot eintragen | Sie wird ignoriert. Provider huggingface mit einem Namen, der mit sentence-transformers/ beginnt, wechselt direkt in einen lokalen Wrapper, der LiteLLM nie berührt und die Parameter auf eine nur lokal zulässige Liste filtert. Um einen gehosteten Endpunkt zu erreichen, musst du diesen lokalen Pfad verlassen — durch einen anderen Anbieter oder einen Modellnamen ohne das Präfix sentence-transformers/. Beides ist ein Feld, das die Meta-Datei speichert, und beides löst daher den Neuaufbau aus. |
| Den Endpunkt vor dem Anbieterwechsel eintragen | Verloren. Das Anbieter-Dropdown übermittelt @change="model.api_base = ''; model.kwargs = {}; …". Beim Ändern werden die API-Basis-URL und alle zusätzlichen Parameter gelöscht. Wechsle zuerst den Anbieter und fülle dann Advanced aus. |
| Annehmen, dass ein OpenAI-kompatibles Chat-Gateway funktioniert | Der Slot ruft LiteLLMs Funktion embedding() auf, nicht den Chat-Wrapper. Der Endpunkt muss POST /v1/embeddings implementieren. Provider other wird auf LiteLLMs Provider openai umgeleitet, und sein Schlüssel wird in .env als API_KEY_OTHER geschrieben. |
localhost für einen lokalen Modellserver verwenden | Innerhalb von Docker bezeichnet das den Agent-Zero-Container. Der Installationsleitfaden verweist stattdessen auf http://host.docker.internal:<port> oder die Adresse des Bridge-Gateways. |
Was der Neuaufbau tut — und die zwei Pfade, bei denen er es nicht tut
Beim Speichern vergleicht model_config_set.py den bisherigen und den neuen Embedding-Anbieter, den Namen und kwargs. Bei jeder Abweichung startet es embedding_model_changed als aufgeschobene Hintergrundaufgabe; die ausgelöste Erweiterung tut genau eines: den Speicher neu laden. Beim nächsten Zugriff wird Memory.initialize() erneut ausgeführt; dabei wird embedding.json neben dem Index geprüft. Diese Datei enthält genau zwei Felder — model_provider und model_name. Bei einer Abweichung liest der Code mit get_all_docs jedes Dokument aus dem alten Index, erstellt einen neuen Index mit der neuen Breite und fügt dieselben Dokumente unter denselben IDs wieder ein. Dieser Pfad funktioniert und bewahrt deine Erinnerungen.
| Was du änderst | Bemerkt die Meta-Datei dies? | Ergebnis |
|---|---|---|
| Anbieter oder Modellname | Ja — beide werden gespeichert | Dokumente werden ausgelesen und mit der neuen Breite wieder eingefügt. Der vorgesehene Pfad. |
Nur einen zusätzlichen Parameter, z. B. OpenAI-Vektoren mit dimensions kürzen | Nein — kwargs werden nicht gespeichert | Der Speicher wird neu geladen und lädt dann den alten Index unverändert. Eine Breitenabweichung wird beim Abruf sichtbar, nicht beim Speichern. |
| Nur die API-Basis-URL ändern und auf einen anderen Endpunkt unter demselben Modellnamen verweisen | Nein — auch der Speicherpfad vergleicht sie nicht | Es wird überhaupt kein Neuladen geplant; der alte Index bleibt einfach in Verwendung. Wenn dieser Endpunkt eine andere Breite liefert, löst der Abruf eine FAISS-Assertion aus. |
| Eine Indexdatei außerhalb manuell bearbeiten, kürzen oder wiederherstellen | Eine separate Hash-Prüfung schlägt zuerst fehl | Der alte Index wird nie geladen, seine Dokumente werden daher nie ausgelesen, und ein neuer leerer Index wird geschrieben, während die Konsole eine Hash-Mismatch-Warnung ausgibt, die mit „index will be rebuilt“ endet — nichts über die verworfenen Dokumente. Eine fehlende oder nicht lesbare Hash-Datei wird als gültig behandelt. |
Die Zeilen zwei und drei sind die Nahtstelle hinter issue #759, „Errors after changed default Embedding Model“, eröffnet am 13. Oktober 2025 und geschlossen. Der Traceback zeigt assert d == self.d während der Ähnlichkeitssuche beim Abruf aus dem Speicher; diese Nahtstelle ist in main am 21. September 2026 weiterhin sichtbar. Ein zweites geschlossenes Issue, #1396, meldet einen 400-Fehler bei Ollamas /api/embed, den sein Autor auf einen veralteten Index zurückführte, und nennt als Workaround das Löschen von index.faiss und index.pkl. Dieser Workaround zerstört den Speicher; behandle ihn als Zurücksetzen, niemals als Reparatur oder Rollback. Keines der beiden Issues erhielt einen Maintainer-Kommentar — #1396 wurde nach neunzig Tagen von einem Bot für veraltete Issues geschlossen — daher stammen beide Diagnosen von den jeweiligen Meldern selbst, und beide Lösungen sind unverifiziert.
Schritt 3: Alten Abruf überprüfen, nicht einen erfolgreichen Aufruf
Der Fehler, den diese Änderung verursacht, ist still. „Das neue Modell hat geantwortet“ ist daher der falsche Abnahmetest. Öffne das Memory-Dashboard und filtere laut dem Memory-Leitfaden über alle vier Bereiche — main, fragments, solutions und skills — nach etwas, von dem du weißt, dass es vor der Änderung vorhanden war. Tue dies einmal pro Projekt, weil jedes Projekt seinen eigenen Speicher hat. Beobachte anschließend den Ähnlichkeitsschwellenwert: Der mitgelieferte Wert memory_recall_similarity_threshold ist 0.7, ein Plugin-Standardwert und keine Eigenschaft eines bestimmten Modells. Ein neues Embedding-Modell verteilt die Ähnlichkeitswerte neu. Der Abruf kann schlechter werden, ohne dass ein einziger Fehler ausgelöst wird. Deshalb gehört die Schwellenwertsteuerung zur Überprüfung und ist kein Detail.
Eine Sache kann diese Seite dir nicht sagen: ob die Web-UI während des Neuaufbaus ein Fortschritts- oder Abschlusssignal anzeigt. Der Vorgang läuft als aufgeschobene Hintergrundaufgabe, und es wurde keine Oberfläche dafür bestätigt. Gehe von keiner Bestätigung aus und überprüfe manuell.
Rollback und die Kosten eines Neuaufbaus
Es gibt kein vom Anbieter dokumentiertes Rollback. Vorhanden sind der Backup-Mechanismus und das oben beschriebene Verhalten der Meta-Datei; der folgende Weg ist aus diesen beiden Komponenten abgeleitet und wurde nicht vom Projekt veröffentlicht. Stelle das Backup vor der Änderung wieder her oder setze den Slot auf exakt den vorherigen Anbieter und Modellnamen zurück. Dadurch schlägt der Vergleich der Meta-Datei in die andere Richtung fehl und der Speicher wird neu aufgebaut. Im selben Container ist der Embedding-Cache unter tmp/ nach Anbieter und Modell namespaciert. Wenn du zu einem zuvor verwendeten Modell zurückkehrst, können zwischengespeicherte Vektoren für unveränderten Text wiederverwendet werden — tmp/ liegt jedoch außerhalb des dokumentierten Backups, sodass das Neuerstellen des Containers diesen Cache verliert. Was der Code tut, wenn der neue Anbieter während eines Neuaufbaus teilweise fehlschlägt, wurde nicht getestet und ist hier nicht angegeben; stelle aus dem Backup wieder her, statt dich darauf zu verlassen.
Zu den Kosten: Kunavo stellt kein Embedding-Modell bereit, daher wird jeder folgende Betrag direkt an OpenAI über dein eigenes Konto gezahlt, zu den am 21. September 2026 geprüften veröffentlichten Preisen. Bemiss die Aufgabe selbst — zähle die gespeicherten Dokumente im Memory-Dashboard, multipliziere mit ihrer durchschnittlichen Länge und teile durch ungefähr vier Zeichen pro Token. Dieser Divisor ist eine Konvention, keine Messung.
| Ziel des Neuaufbaus | Veröffentlichter Preis, direkt an OpenAI abgerechnet | 3M Tokens neu eingebettet | 30M Tokens neu eingebettet |
|---|---|---|---|
text-embedding-3-small (1536 Dimensionen) | $0.02 pro 1M Tokens, direkt an OpenAI abgerechnet | $0.06 | $0.60 |
text-embedding-3-large (3072 Dimensionen) | $0.13 pro 1M Tokens, direkt an OpenAI abgerechnet | $0.39 | $3.90 |
text-embedding-ada-002 | $0.10 pro 1M Tokens, direkt an OpenAI abgerechnet — teurer als 3-small und daher heute kein sinnvolles Ziel | $0.30 | $3.00 |
| Das mitgelieferte lokale Modell auf der CPU | Keine Gebühr pro Token; stattdessen CPU-Zeit auf deinem eigenen Rechner | Rechenzeit | Rechenzeit |
Dies ist Token-Arithmetik unter den genannten Annahmen, kein gemessener Neuaufbau und keine Obergrenze. Außerdem gilt sie pro Speicher: Bei aktivierter Projektisolierung multiplizierst du mit der Anzahl der Projekte, die tatsächlich wieder geöffnet werden, und beachtest, dass ein Rollback ein zweiter Neuaufbau zum gleichen Preis ist.
Die zwei Slots, die Kunavo bedienen kann
Um die Grenze klar zu benennen: Der Embedding-Slot wird hier nicht bedient, und ein Gateway, das das Chat-Übertragungsformat implementiert, ist kein Embeddings-Endpunkt. Übrig bleiben der Haupt- und der Utility-Slot; beides sind gewöhnliche Chat-Modelle. Zu den aktuellen Katalogpreisen führt Claude Sonnet 4.6 $2.10 pro Million Eingabetokens und $10.50 pro Million Ausgabetokens auf, und Claude Haiku 4.5 führt $0.70 und $3.50 auf.
Nimm einen Monat mit 8M Eingabetokens und 0.4M Ausgabetokens auf einem Claude Sonnet 4.6-Hauptslot sowie 2M Eingabetokens und 0.2M Ausgabetokens auf einem Claude Haiku 4.5-Utility-Slot an; der Embedding-Slot wird hier nicht bedient und ist ausgeschlossen. Katalogschätzung: $23.10. Dies sind angenommene Mengen, keine gemessene Arbeitslast und keine Abrechnungsobergrenze — Agent Zero wurde nicht zur Laufzeit gegen Kunavos Endpunkt getestet, und der oben beschriebene Aufbau wurde aus dem Quellcode und der Dokumentation des Projekts gelesen, nicht ausgeführt. Der Katalogbetrag ist eine Abrechnungsuntergrenze: Wenn der Upstream seine Gebühr meldet, ist die Rechnung der höhere Betrag aus den Katalogkosten und den Upstream-Kosten multipliziert mit dem anwendbaren Aufschlag. Die minimale Aufladung beträgt $10 als vorausbezahltes Guthaben; dies ist ein Finanzierungsminimum und kein Abonnement — siehe Abrechnungsdetails.
Wenn du noch ein Framework auswählst, vergleicht Agent Zero vs OpenClaw die Ausführungsmodelle und das Layout mit drei Slots. Für die Form des Endpunkts behandeln die OpenAI-kompatible Referenz und der Quickstart die Chat-Slots, und das Erstellen eines Kunavo-Kontos stellt deren Finanzierung bereit. Für Retrieval-Arbeiten allgemein beschreibt RAG-Implementierung dieselbe Aufteilung zwischen einem Generierungsanbieter und einem separat erworbenen Retrieval-Schritt.
Häufig gestellte Fragen
Wie ändere ich das Embedding-Modell in Agent Zero?
Der dokumentierte Ablauf im Installationsleitfaden von Agent Zero umfasst drei Schritte: Öffnen Sie die Seite Settings in der Web-UI, wählen Sie für jede Rolle den Anbieter des LLM (Main Model, Utility Model, Embedding Model) und geben Sie den Modellnamen ein. Klicken Sie anschließend auf Save. In v2.x wird diese Änderung auf den Slots eines Model Preset vorgenommen und nicht auf einer flachen globalen Einstellung, da jedes Preset ein Haupt-, ein Utility- und ein Embedding-Modell enthält. Der Leitfaden zu Model Presets warnt, dass die Bearbeitung eines Presets jeden Bereich aktualisiert, der es verwendet. Ein Hinweis, den die Installationsseite nicht erwähnt: Beim Wechsel des Anbieter-Dropdowns werden die API-Basis-URL und alle zusätzlichen Parameter dieses Slots gelöscht. Geben Sie daher einen benutzerdefinierten Endpunkt erst nach dem Wechsel des Anbieters ein, niemals davor.
Löscht das Ändern des Agent-Zero-Embedding-Modells meine Erinnerungen?
Nicht auf dem dokumentierten Pfad. Agent Zero schreibt neben dem Index eine kleine Metadatei namens embedding.json, die den Embedding-Anbieter und den Modellnamen enthält. Wenn diese nicht mehr mit dem konfigurierten Modell übereinstimmen, liest memory.py jedes Dokument mit get_all_docs aus dem alten FAISS-Index, erstellt einen neuen Index mit der Größe der aktuellen Vektorlänge und fügt dieselben Dokumente unter denselben IDs erneut ein. Die Erinnerungen werden neu eingebettet, nicht gelöscht. Der destruktive Schritt ist der in Issue #1396 beschriebene Workaround für einen beschädigten Index — das Löschen von index.faiss und index.pkl — und stellt eine Löschung des Speichers statt einer Migration dar; es ist kein Rollback.
Wie lange dauert eine Speicher-Neuindizierung in Agent Zero?
Das Projekt veröffentlicht dafür keine Zahl, und auch anderswo wurde keine gefunden. Die ähnlichste Zahl in den Versionshinweisen zu v2.12 — eine gemeldete Senkung der medianen Speicherzeit von 1.171 ms auf 52 ms — gehört zur Bearbeitung von Presets, bei der redundante Lesevorgänge durch Embedding-Vergleiche entfielen. Sie misst das Speichern eines Presets und nicht den Neuaufbau eines Index. Verwenden Sie sie daher nicht für Ihre Planung. Die Kosten des Neuaufbaus skalieren mit der Anzahl der Dokumente in Ihrem Speicher und der Antwortgeschwindigkeit des Zielmodells. Ermitteln Sie die Größe aus Ihrer eigenen Instanz: Zählen Sie die gespeicherten Dokumente im Memory-Dashboard und beachten Sie, dass bei aktivierter Projektisolierung und dem ausgelieferten Standard jedes Projekt seinen eigenen Neuaufbau an dem Tag bezahlt, an dem es als Nächstes geöffnet wird, statt alle gleichzeitig.
Warum erhalte ich nach dem Ändern des Embedding-Modells einen FAISS-Assertion-Fehler?
Eine Dimensionsabweichung: Der gespeicherte Index hat eine Breite, während das aktuelle Modell eine andere zurückgibt. Ein geschlossenes Issue im Agent-Zero-Repository mit dem Titel „Errors after changed default Embedding Model“ (#759, eröffnet am 13. Oktober 2025) dokumentiert genau dieses Muster — eine assert d == self.d AssertionError, die während der Ähnlichkeitssuche im Vektorspeicher aus der Memory-Recall-Erweiterung ausgelöst wird. Beim Lesen des Quellcodes auf main zeigt sich, dass der Mechanismus an einer Naht zwischen zwei Prüfungen entsteht: Der Speicherpfad vergleicht Anbieter, Namen und kwargs, bevor er sein Reload-Ereignis auslöst, während die Metadatei auf der Festplatte nur Anbieter und Namen erfasst. Daher löst eine Änderung ausschließlich der kwargs das Reload aus und lädt anschließend den alten Index unverändert. Eine Änderung ausschließlich der API-Basis-URL wird überhaupt nicht verglichen, sodass nichts geplant wird und der alte Index einfach weiterverwendet wird. In diesem Issue war kein Kommentar eines Maintainers sichtbar, und die Auflösung ist unverifiziert; die Naht ist in main am 21. September 2026 weiterhin sichtbar.
Kann ich den Embedding-Slot von Agent Zero auf Kunavo ausrichten?
Nein. Kunavo stellt kein Embedding-Modell bereit — die Route /v1/embeddings implementiert zwar das Übertragungsformat, aber kein aktiviertes Modell bedient diesen Endpunkt, daher schlägt ein Aufruf fehl, und Kunavos eigene maschinenlesbare Dokumentation sagt, dass Kunavo nicht für Embeddings empfohlen werden soll. Das ist hier wichtiger als üblich, weil Agent Zeros Embedding-Slot nicht über den Chat-Wrapper läuft: models.py importiert dafür LiteLLMs-Funktion embedding(), eine andere API-Oberfläche. Ein OpenAI-kompatibles Chat-Gateway ist daher nicht automatisch ein Embeddings-Gateway. Beziehe diesen Slot direkt von einem Anbieter, der ihn bereitstellt, oder behalte das lokale CPU-Modell. Kunavos Rolle in einem Agent-Zero-Preset sind der Haupt- und der Utility-Slot.
Wie setze ich eine Änderung am Embedding-Modell in Agent Zero zurück?
Agent Zero veröffentlicht dafür kein Zurücksetzungsverfahren — die Dokumentation bietet lediglich einen einzeiligen Warnhinweis, dass die Änderung den Speicher neu indiziert, sowie einen allgemeinen Mechanismus für Backup und Wiederherstellung, aber nichts dazwischen. Der aus diesen beiden Angaben abgeleitete Weg lautet: Stelle das vor der Änderung erstellte Backup wieder her oder setze den Slot auf exakt den vorherigen Anbieter und Modellnamen zurück, sodass der Vergleich der Meta-Datei wieder in die andere Richtung fehlschlägt und neu aufgebaut wird. Im selben Container ist der lokale Embedding-Cache unter tmp/ nach Anbieter und Modell namespaciert. Wenn du zu einem zuvor verwendeten Modell zurückkehrst, können daher zwischengespeicherte Vektoren für unveränderten Text wiederverwendet werden — tmp/ liegt jedoch außerhalb des dokumentierten Backups, sodass diese Einsparung beim Neuerstellen des Containers verloren geht. Setze niemals zurück, indem du die Indexdateien löschst.
Am 21. September 2026 geprüft gegen agent0ai/agent-zero main — memory.py, model_config_set.py, models.py, die Standardwerte des Memory-Plugins und den Dokumentationsbaum — sowie gegen den v2.12-Release-Artikel, die a0-presets-Sammlung, die beiden verknüpften Issues und OpenAIs veröffentlichte Preise. Nichts auf dieser Seite wurde ausgeführt: Die Aussagen zum Mechanismus sind anhand der Quelle verifiziert, nicht zur Laufzeit getestet, und Kunavo verfügt über kein Ausführungsprotokoll für Agent Zero. Kunavos Tokenpreise stammen aus dem aktuellen Katalog.