Coûts de l’API Agent Zero : modèles principal, utilitaire et d’embedding

Agent Zero, le framework open source d’agents IA, coûte 0 $ — son fichier LICENSE est soumis aux conditions de la licence MIT et porte le copyright d’Agent Zero, s.r.o., tandis que agent-zero.ai n’annonce aucune page de prix, aucun forfait ni aucune offre hébergée payante pour ce framework — « Agent Zero pricing » désigne donc la facture d’API des modèles qui se trouve en dessous. Ce qui distingue cette facture d’un agent à modèle unique, c’est qu’Agent Zero la répartit entre trois rôles de modèles, configurés et facturés séparément : un modèle principal, un modèle utilitaire et un modèle d’embeddings. Kunavo ne fournit aucun modèle d’embeddings ; seuls les deux premiers rôles sont donc achetés ici, tandis que le troisième reste sur la valeur par défaut locale ou est confié à un fournisseur qui vend cette étape. Recevoir une réponse de chat ne signifie donc pas que l’intégration est terminée — cela signifie qu’un des trois rôles a répondu.

Commençons par une clarification, car elle apparaît sur la page de résultats plutôt qu’à côté. Agent Zero Token (A0T) est une cryptomonnaie sur Base, et elle s’est classée quatrième lors de la seule recherche de cette page pour « agent zero pricing », enregistrée le 17 septembre 2026, avec une page de prix Coinbase en septième position. Une seule recherche ne constitue pas un classement. Le token appartient véritablement au projet — le bloc de liens officiels de CoinGecko renvoie vers agent-zero.ai et vers le dépôt GitHub du projet — ce qui le rend facile à confondre avec une liste de prix. Ce n’en est pas une : aucun cours du token ne constitue le prix de ce logiciel, cette page ne fournit aucun conseil d’investissement ou de trading, et le token n’apparaît ci-dessous que comme condition explicitement indiquée pour un endpoint gratuit.

Quatre éléments appelés « Agent Zero » qui ne correspondent pas au prix de ce logiciel

Seule la première ligne ci-dessous a été observée dans la page de résultats de recherche pour « agent zero pricing » ; les trois autres sont des collisions de noms rencontrées pendant vos recherches, et non des éléments renvoyés par cette page.

Sources vérifiées le 21 septembre 2026 : le fichier LICENSE (MIT, copyright Agent Zero, s.r.o.), la page du projet PyPI et les conditions de l'API LLM, qui indiquent que le service « is a free, bonus feature for the Agent Zero community » et « is not a commercial or paid offering », qu'il est disponible pour les détenteurs de jetons qui les mettent en staking, avec un quota « determined dynamically and is not guaranteed ». Le seuil de staking et le quota correspondant ne sont publiés nulle part dans les sources consultables par cette page ; aucun des deux n'est donc indiqué ici. Concernant le logiciel lui-même, l'API GitHub du référentiel agent0ai/agent-zero l'indique comme non archivé et non désactivé, avec 19,227 étoiles, et indique que la dernière version est v2.12, publiée le 9 septembre 2026.

Trois rôles, trois factures distinctes

Le guide Model Presets d'Agent Zero indique que chaque configuration contient un modèle principal, un modèle utilitaire et un modèle d'embeddings. Il ne s'agit pas d'un vestige de la v1 : conf/model_providers.yaml dans main comporte exactement deux sections de premier niveau, chat: avec 29 fournisseurs et embedding: avec 16, et les rôles principal et utilitaire puisent tous deux dans la liste de chat. Le guide d'installation précise en outre que le navigateur intégré ne possède pas de slot de modèle par défaut distinct.

Il est utile de comprendre la valeur par défaut avant de la modifier. Dans models.py, un appel d'embeddings dont le fournisseur est huggingface et dont le nom de modèle commence par sentence-transformers/ est redirigé vers un wrapper SentenceTransformer local — sans requête HTTP ni clé — et le preset Default sélectionné fixe ce rôle sur sentence-transformers/all-MiniLM-L6-v2. Le guide d'installation indique également que la modification de embedding_llm « will re-index all of A0's memory », ce qui fait de ce slot une migration plutôt qu'un simple paramètre : planifiez-la comme telle et conservez une sauvegarde du répertoire de mémoire avant d'y toucher. Pour la question plus générale de l'interaction entre qualité de récupération et stockage, RAG implementation traite de la même décision en dehors de ce framework.

API personnalisée d'Agent Zero : où placer l'endpoint et la clé

Lors de la recherche enregistrée le 17 septembre 2026, la requête « agent zero custom api » a placé le guide d'intégration d'API du projet en troisième position, mais ce document répond à une autre question — son titre réel est « Adding External APIs Without Code » et il explique comment apprendre à l'agent à appeler des API tierces, pas comment choisir votre fournisseur LLM. Voici plutôt le chemin du fournisseur, relevé dans le référentiel le 21 septembre 2026.

1. Choisissez le fournisseur. Son identifiant est other ; conf/model_providers.yaml le nomme Other OpenAI compatible et le répertorie dans les sections chat: et embedding:. Le guide d'installation utilise la même appellation, OpenAI Compatible ; attendez-vous donc à voir les deux libellés dans l'interface.
2. Placez la clé dans External Services. Le guide indique d'« add the API key under External Services -> Other OpenAI-compatible API keys, then select OpenAI Compatible as the provider in model settings ».
3. Définissez l'URL d'API pour chaque rôle que vous déplacez. Il s'agit d'un champ propre à chaque rôle, enregistré sous api_base dans le fichier de preset, et le guide le décrit comme l'« URL of the API endpoint for the chat model ».
4. Saisissez manuellement l'identifiant du modèle, exactement comme il apparaît dans le catalogue de votre passerelle, et respectez la convention de préfixe : les fournisseurs natifs utilisent l'identifiant nu, tandis que les passerelles exigent généralement un préfixe de fournisseur.

# 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: ""

En interne, models.py réécrit immédiatement le fournisseur avant l'appel — le commentaire dans le code source est remap other to openai for litellm — ; un endpoint personnalisé doit donc respecter le format OpenAI Chat Completions, et chaque fournisseur de chat du catalogue contient a0_api_mode: chat. LiteLLM assure le transport de l'ensemble, verrouillé dans requirements.txt sur litellm==1.88.1 avec le commentaire « CVE-2026-42271 fix: patched floor is 1.83.7 ». Si vous préférez ne pas saisir l'identifiant dans l'interface, le chemin d'environnement est lu dans cet ordre :

# 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

Un piège Docker qu'il vaut la peine de rappeler d'après le guide d'installation : dans le conteneur, localhost et 127.0.0.1 dans une URL de base d'API désignent le conteneur Agent Zero, et non votre hôte ; un serveur de modèles installé sur l'hôte nécessite donc http://host.docker.internal:<port> ou l'adresse de la passerelle réseau. Cela s'applique aux environnements d'exécution locaux, pas à un endpoint HTTPS public.

Deux défauts de la documentation officielle de configuration sont à connaître avant de la suivre à la lettre, car ils ont tous deux été confirmés le 21 septembre 2026. Premièrement, les liens de téléchargement d'A0 Launcher du guide sont codés en dur vers la v0.9 et le texte renvoie à « the A0 Launcher v0.9 release », alors que la page des versions du launcher affiche la v1.7, publiée le 9 septembre 2026 — huit versions plus récente. Utilisez la page des versions plutôt que les URL de téléchargement épinglées. Deuxièmement, le tableau « Model Naming by Provider » du guide place un identifiant de modèle Anthropic dans la cellule d'exemple de sa ligne OpenAI ; le texte environnant fait correctement la distinction. Suivez la règle générale du texte, et non cette ligne du tableau : un fournisseur natif utilise l'identifiant nu du modèle, tandis qu'une passerelle exige généralement un préfixe de fournisseur.

Quatre limites auxquelles se heurte un endpoint personnalisé

Le contrôle de mise en cache est celui qui a le plus de chances de modifier un budget ; voici donc exactement ce qu'indique le code source. _supports_cache_control_markers renvoie true uniquement lorsque api_base contient openrouter.ai ou anthropic.com, ou lorsque le fournisseur normalisé appartient à un ensemble fixe comprenant anthropic, bedrock, gemini, minimax, openrouter et vertex_ai. Le fournisseur other est normalisé en openai, qui ne figure pas dans cet ensemble. Le second chemin, _is_openai_prompt_cache_provider, renvoie false pour toute api_base qui n'est ni api.openai.com ni openai.azure.com. Ainsi, pour une URL de base ne contenant aucun de ces quatre noms d'hôte et dont le fournisseur est normalisé en openai, Agent Zero n'applique ni les points de rupture de style Anthropic ni les clés de cache OpenAI. Délimitez soigneusement la portée de cette affirmation : elle concerne ce qu'envoie Agent Zero, et non l'impossibilité d'obtenir une remise liée au cache.

Pour les deux rapports de bogue, présentez-les pour ce qu'ils sont. Issue #1769 est un rapport utilisateur, ouvert le 21 septembre 2026, intitulé « LiteLLM calls exit(-9) when a model in model_cost has a litellm_provider that differs from the provider's actual litellm_provider mapping » ; sa propre ligne de portée indique qu'il concerne « any provider that resells or proxies models from multiple origins », ce qui décrit une passerelle. Personne ne l'a reproduit pour cette page et son déclenchement pour un identifiant de modèle précis n'a pas été testé. PR #1437 signale que LiteLLM 1.80.11 et les versions ultérieures envoient encoding_format: null lorsque ce champ n'est pas défini et que les validateurs stricts rejettent cela avec une erreur 422, ainsi qu'une requête de rappel de mémoire non tronquée susceptible de dépasser le contexte d'un modèle d'embeddings. Elle est ouverte et non fusionnée ; son issue parente #1436 est fermée, et il n'a pas été possible de déterminer comment cette issue a été résolue ; nous ne la qualifions donc ni de « fixed » ni de « live ».

Une estimation des coûts par rôle, avec exemple

Il s'agit d'une arithmétique illustrative de jetons, pas de coûts de tâches mesurés ni d'un plafond de facturation. Supposons une semaine d'utilisation régulière : 6 millions de jetons d'entrée non mis en cache et 300,000 jetons de sortie pour le rôle principal, ainsi que 1.5 millions de jetons d'entrée et 150,000 jetons de sortie pour le rôle utilitaire. Cette répartition est une hypothèse illustrative — personne n'a mesuré une boucle Agent Zero pour cette page. Les tarifs sont les prix actuels du catalogue Kunavo par million de jetons.

Deux lectures, et elles pointent dans des directions opposées. Premièrement, selon ces hypothèses, le choix du rôle principal s'étend sur $10.14 par semaine entre les lignes la plus chère et la moins chère ci-dessus, tandis que le choix du rôle utilitaire s'étend sur $0.10. Optimiser le second slot n'est pas là que se trouve l'essentiel des économies, sauf si votre charge est exceptionnellement orientée vers l'arrière-plan — et le guide d'installation déconseille de toute façon de le réduire excessivement, car les très petits modèles (il cite 4B) échouent souvent à extraire la mémoire de manière fiable. Deuxièmement, les deux rôles se combinent indépendamment : GPT-5.6 Terra avec Claude Haiku 4.5 est estimé à $7.03 par semaine, contre $17.28 pour GPT-5.6 Sol avec GPT-5.6 Terra. Le troisième rôle n'ajoute aucun coût d'API tant qu'il reste sur le CPU local par défaut.

Pour comparer avec les choix propres au projet, Agent Zero télécharge trois presets sélectionnés au premier démarrage lorsqu'aucune collection enregistrée n'existe. Default associe un modèle de chat GPT-5.6 Terra à un modèle utilitaire Google flash-lite ; Power associe GPT-5.6 Sol à GPT-5.6 Luna ; Efficiency associe un modèle de chat GLM à un modèle utilitaire DeepSeek. Seul Default explicite le rôle d'embeddings et le fixe sur le modèle CPU local ; Efficiency et Power ne contiennent aucun bloc d'embeddings dans ce fichier. Ces références sont écrites au format OpenRouter utilisé par ce fichier ; aucune ne constitue donc un identifiant Kunavo tel quel — utilisez les identifiants répertoriés dans le catalogue Kunavo. Ce fichier a été mis à jour pour la dernière fois le 17 juillet 2026 ; ses choix de modèles peuvent donc être en retard sur le marché.

Multipliez par votre propre nombre de semaines avant de considérer quoi que ce soit ici comme un budget. Le montant du catalogue Kunavo constitue un plancher de facturation, et non un plafond : lorsque l'amont indique son coût, la facture correspond au montant le plus élevé entre le coût du catalogue et le coût amont multiplié par la majoration applicable. Les frais de cache et les outils externes ne sont pas inclus dans cet exemple. Le rechargement minimal Kunavo est de $10 de crédit prépayé — un minimum de financement, pas des frais de tâche ni un abonnement. Consultez les informations de facturation.

Meilleure API pour Agent Zero : quelle route l'emporte, et quand

Un détail propre au projet rend l'argument par rôle concret plutôt que théorique. Le plugin Cline Pass existe notamment parce qu'une API d'abonnement qui diffuse uniquement les réponses interrompt précisément les appels utilitaires — le plugin injecte un callback de diffusion sans opération afin que les tâches d'arrière-plan telles que le nommage des conversations, la compression et la consolidation de la mémoire continuent de fonctionner. Les rôles échouent séparément, ce qui explique précisément pourquoi une seule réponse de chat réussie ne constitue pas un test d'intégration. Agent Zero fournit également un plugin LLM Cost Tracker qui regroupe l'utilisation par classe d'appel — notamment le chat principal, les agents subordonnés et le rôle utilitaire — et qui ne contient aucun prix, vous demandant de « Fill in rates from your provider's official pricing page ». Renseignez les tarifs pour chaque rôle, sinon le tableau de bord facturera chaque classe au tarif unique que vous avez saisi.

Configurez-le, puis vérifiez les trois rôles

Kunavo n'a pas testé Agent Zero en conditions réelles avec son endpoint et ne publie aucune page d'intégration Agent Zero ; tout ce qui précède provient du code source et de la documentation d'Agent Zero consultés le 21 septembre 2026. Vérifiez donc chaque rôle plutôt que la première réponse : envoyez un message de chat pour le rôle principal, puis déclenchez une tâche d'arrière-plan — démarrez une nouvelle conversation pour déclencher le nommage automatique, ou laissez une session fonctionner assez longtemps pour être compactée — et confirmez que c'est le modèle utilitaire qui a répondu. Laissez le rôle d'embeddings sur la valeur locale par défaut, sauf si vous avez décidé de le migrer, car cette modification réindexe la mémoire. Conservez une route fonctionnelle pendant toute l'opération, exécutez une tâche limitée et comparez le montant enregistré sur votre compte avec l'estimation propre du suivi des coûts.

Si vous acheminez les deux rôles payants vers un seul endpoint, le guide de démarrage rapide fournit l'URL de base et une première requête, tandis que la création d'un compte Kunavo nécessite le minimum prépayé de $10, sans abonnement. Pour les décisions plus générales : la référence de l'API compatible OpenAI décrit le format d'endpoint utilisé par Agent Zero, Agent Zero vs OpenClaw compare les deux frameworks du point de vue de l'exécution et de la mémoire, LiteLLM alternatives traite de la couche de transport par laquelle passent tous les appels Agent Zero, et AI cost optimization explique comment mesurer une tâche réelle plutôt qu'un simple tarif.

Questions fréquentes

L'état du référentiel Agent Zero, la dernière version, le statut de l'issue et de la pull request, le catalogue des fournisseurs, models.py, le transport LiteLLM, les dépendances, le fichier de presets sélectionnés, les guides d'installation et de dépannage, les conditions de l'API LLM et la collision PyPI ont tous été vérifiés le 21 septembre 2026. Les positions dans les résultats de recherche proviennent d'une seule recherche enregistrée le 17 septembre 2026 et ne constituent pas un classement. Les tarifs des jetons Kunavo proviennent du catalogue actuel ; chaque montant en dollars sur cette page correspond à une arithmétique illustrative de jetons fondée sur une hypothèse énoncée, et non à un coût de tâche mesuré.