Custos da API do Agent Zero: modelos principal, utilitário e de embeddings

O Agent Zero, o framework de agentes de IA de código aberto, custa $0 — seu arquivo LICENSE contém termos MIT, copyright de Agent Zero, s.r.o., e agent-zero.ai não anuncia página de preços, plano nem nível hospedado pago para ele — portanto, "preço do Agent Zero" significa a cobrança da API de modelos subjacente. O que diferencia essa cobrança de um agente de modelo único é que o Agent Zero a divide entre três funções de modelo, configuradas e cobradas separadamente: um modelo principal, um modelo utility e um modelo de embeddings. A Kunavo não oferece modelo de embeddings, portanto apenas as duas primeiras funções são compradas aqui, enquanto a terceira permanece no padrão local ou é direcionada a um provedor que venda essa etapa. Receber uma resposta de chat não significa, portanto, que a integração esteja concluída — significa que uma das três funções respondeu.

Uma distinção primeiro, porque ela aparece na página de resultados, e não ao lado dela. Agent Zero Token (A0T) é uma criptomoeda na Base e ficou em quarto lugar na única consulta de resultados que esta página tem para "agent zero pricing", registrada em 17 de setembro de 2026, com uma página de preços da Coinbase em sétimo. Uma única consulta não constitui um ranking. O token é realmente do próprio projeto — o bloco de links oficiais do CoinGecko aponta para agent-zero.ai e para o repositório do projeto no GitHub — o que facilita confundi-lo com uma lista de preços. Não é isso: nenhuma cotação do token é o preço deste software, esta página não oferece orientação de investimento ou negociação, e o token aparece abaixo apenas como uma condição declarada para um endpoint gratuito.

Quatro coisas chamadas "Agent Zero" que não são o preço deste software

Apenas a primeira linha abaixo foi observada na consulta de resultados para "agent zero pricing"; as outras três são colisões de nomes encontradas durante a pesquisa, não itens retornados por aquela página.

Fontes consultadas em 21 de setembro de 2026: o arquivo LICENSE (MIT, copyright Agent Zero, s.r.o.), a página do projeto no PyPI e os termos da API LLM, que afirmam que o serviço "is a free, bonus feature for the Agent Zero community" e "is not a commercial or paid offering", disponível para detentores de tokens que façam staking, com cota "determined dynamically and is not guaranteed". O limite de staking e a cota resultante não estão publicados em nenhum lugar que esta página pudesse consultar; por isso, nenhum dos dois é informado aqui. Quanto ao software, a API do GitHub para o repositório agent0ai/agent-zero informa que ele não está arquivado nem desativado, com 19,227 estrelas, e que o lançamento mais recente é o v2.12, publicado em 9 de setembro de 2026.

Três funções, três cobranças separadas

O guia de Model Presets do Agent Zero afirma que toda configuração contém um modelo main, um utility e um embedding. Isso não é um remanescente da v1: conf/model_providers.yaml em main tem exatamente duas seções de nível superior, chat: com 29 provedores e embedding: com 16, e as funções main e utility usam a lista de chat. O guia de instalação acrescenta que o Browser integrado não tem seu próprio slot de modelo padrão separado.

Vale a pena entender o padrão antes de transferi-lo. Em models.py, uma chamada de embeddings cujo provedor é huggingface e cujo nome de modelo começa com sentence-transformers/ é desviada para um wrapper local do SentenceTransformer — sem solicitação HTTP e sem chave — e a predefinição Default selecionada fixa essa função em sentence-transformers/all-MiniLM-L6-v2. O guia de instalação também afirma que alterar embedding_llm "will re-index all of A0's memory", o que torna esse slot uma migração, não uma configuração — planeje-o como tal e mantenha um backup do diretório de memória antes de alterá-lo. Para a questão mais ampla de como a qualidade da recuperação e o armazenamento interagem, Implementação de RAG aborda a mesma decisão fora deste framework.

API personalizada do Agent Zero: onde colocar o endpoint e a chave

Na consulta registrada em 17 de setembro de 2026, a busca "agent zero custom api" colocou o guia de integração de APIs do projeto em terceiro lugar, e esse documento responde a uma pergunta diferente — seu título real é "Adding External APIs Without Code" e ele trata de ensinar o agente a chamar APIs de terceiros, não de escolher seu provedor de LLM. Este é o caminho do provedor, lido do repositório em 21 de setembro de 2026.

1. Escolha o provedor. Seu id é other; conf/model_providers.yaml o chama de Other OpenAI compatible e o lista nas seções chat: e embedding:. O guia de instalação usa a mesma denominação, OpenAI Compatible, portanto espere ambos os rótulos na interface.
2. Coloque a chave em External Services. A redação do guia é "add the API key under External Services -> Other OpenAI-compatible API keys, then select OpenAI Compatible as the provider in model settings".
3. Defina a URL da API para cada função que você estiver transferindo. É um campo por função, armazenado como api_base no arquivo de predefinição, e o guia o descreve como a "URL of the API endpoint for the chat model".
4. Digite o id do modelo manualmente, exatamente como aparece no catálogo do seu gateway, e mantenha clara a convenção de prefixos: provedores nativos usam o id sem prefixo; gateways geralmente exigem um prefixo do fornecedor.

# 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: ""

Nos bastidores, models.py reescreve o provedor imediatamente antes da chamada — o comentário no código-fonte diz remap other to openai for litellm — portanto um endpoint personalizado precisa aceitar o formato do OpenAI Chat Completions, e todo provedor de chat do catálogo contém a0_api_mode: chat. O LiteLLM é o transporte de tudo isso, fixado em requirements.txt como litellm==1.88.1 com o comentário "CVE-2026-42271 fix: patched floor is 1.83.7". Se preferir não digitar a credencial na interface, a rota pelo ambiente é lida nesta ordem:

# 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

Uma armadilha do Docker que vale repetir do guia de instalação: dentro do contêiner, localhost e 127.0.0.1 em uma URL base de API significam o contêiner do Agent Zero, não o seu host; portanto, um servidor de modelos no host precisa de http://host.docker.internal:<port> ou do endereço da ponte. Isso se aplica a runtimes locais, não a um endpoint HTTPS público.

Vale conhecer dois defeitos na documentação oficial de configuração antes de segui-la literalmente, pois ambos foram confirmados em 21 de setembro de 2026. Primeiro, os links de download do A0 Launcher no guia de instalação estão fixados na v0.9, e o texto aponta para "the A0 Launcher v0.9 release", enquanto a página de lançamentos do próprio launcher mostra a v1.7, publicada em 9 de setembro de 2026 — oito lançamentos mais recente. Use a página de lançamentos, não as URLs de download fixadas. Segundo, a tabela "Model Naming by Provider" do guia coloca um id de modelo Anthropic na célula de exemplo da linha OpenAI; o texto ao redor faz a distinção corretamente. Siga a regra geral do texto, não daquela linha da tabela: um provedor nativo usa o id do modelo sem prefixo, e um gateway geralmente exige um prefixo do fornecedor.

Quatro limites encontrados por um endpoint personalizado

O bloqueio de cache é o que tem maior probabilidade de alterar um orçamento; por isso, veja exatamente o que o código-fonte diz. _supports_cache_control_markers retorna true somente quando api_base contém openrouter.ai ou anthropic.com, ou quando o provedor normalizado está em um conjunto fixo que inclui anthropic, bedrock, gemini, minimax, openrouter e vertex_ai. O provedor other é normalizado para openai, que não está nesse conjunto. O segundo caminho, _is_openai_prompt_cache_provider, retorna false para qualquer api_base que não seja api.openai.com nem openai.azure.com. Assim, para uma URL base que não contenha nenhum desses quatro nomes de host e cujo provedor seja normalizado para openai, o Agent Zero não aplica nem pontos de quebra no estilo Anthropic nem chaves de cache da OpenAI. Delimite isso com cuidado: é uma afirmação sobre o que o Agent Zero envia, não uma afirmação de que um desconto de cache esteja indisponível.

Sobre os dois relatórios de bugs, descreva-os pelo que são. A Issue #1769 é um relatório de usuário, aberto em 21 de setembro de 2026, intitulado "LiteLLM calls exit(-9) when a model in model_cost has a litellm_provider that differs from the provider's actual litellm_provider mapping"; sua própria linha de escopo afirma que afeta "any provider that resells or proxies models from multiple origins", o que descreve um gateway. Ninguém a reproduziu para esta página, e não foi testado se ela é acionada por algum id de modelo específico. A PR #1437 informa que o LiteLLM 1.80.11 e versões posteriores enviam encoding_format: null quando esse valor não está definido e que validadores estritos rejeitam isso com um 422, além de uma consulta de recuperação de memória não truncada que pode exceder o contexto de um modelo de embeddings. Ela está aberta e não incorporada; sua issue principal, a #1436, está fechada, e não foi possível determinar como essa issue foi resolvida; portanto, aqui não se afirma nem "corrigida" nem "em produção".

Uma estimativa de custo por função trabalhada

Estas são contas ilustrativas de tokens, não custos de tarefas medidos e não um teto de cobrança. Suponha uma semana de uso constante: 6 milhões de tokens de entrada não armazenados em cache e 300,000 tokens de saída na função main, e 1.5 milhões de entrada e 150,000 tokens de saída na função utility. Essa divisão é uma suposição ilustrativa — ninguém mediu um loop do Agent Zero para esta página. As tarifas são preços atuais do catálogo da Kunavo por milhão de tokens.

Duas leituras, e elas apontam em direções opostas. Primeiro, sob essas suposições, a escolha da função main varia $10.14 por semana entre a linha mais cara e a mais barata acima, enquanto a escolha da função utility varia $0.10. Otimizar o segundo slot não é onde está o dinheiro, a menos que sua carga de trabalho seja excepcionalmente pesada em tarefas de segundo plano — e o guia de instalação recomenda não escolher um modelo pequeno demais ali, pois modelos muito pequenos (ele cita 4B) frequentemente falham na extração confiável de memória. Segundo, as duas funções se combinam de forma independente: GPT-5.6 Terra com Claude Haiku 4.5 custa aproximadamente $7.03 por semana, contra $17.28 para GPT-5.6 Sol com GPT-5.6 Terra. A terceira função não acrescenta nenhuma cobrança de API enquanto permanecer no padrão local de CPU.

Para calibrar com base nas próprias escolhas do projeto, o Agent Zero baixa três predefinições selecionadas na primeira inicialização quando não existe uma coleção salva. Default combina um modelo de chat GPT-5.6 Terra com um modelo utility Google flash-lite; Power combina GPT-5.6 Sol com GPT-5.6 Luna; Efficiency combina um modelo de chat GLM com um modelo utility DeepSeek. Apenas Default explicita a função embedding e fixa o modelo local de CPU; Efficiency e Power não contêm nenhum bloco de embeddings nesse arquivo. Essas referências são escritas no estilo OpenRouter usado por esse arquivo, portanto nenhuma delas é um id da Kunavo tal como está escrita — use os ids listados no próprio catálogo da Kunavo. Esse arquivo foi enviado pela última vez em 17 de julho de 2026, portanto suas escolhas de modelos podem estar defasadas em relação ao mercado.

Dimensione com base nas suas próprias semanas antes de tratar qualquer valor disso como orçamento. O valor do catálogo da Kunavo é um piso de cobrança, não um limite: quando o upstream informa sua cobrança, a conta é o maior entre o custo do catálogo e o custo do upstream multiplicado pela margem aplicável. Cobranças de cache e ferramentas externas ficam fora deste exemplo. O recarregamento mínimo da Kunavo é de $10 em crédito pré-pago — um mínimo de financiamento, não uma taxa por tarefa nem uma assinatura. Consulte detalhes de cobrança.

Melhor API para o Agent Zero: qual rota vence em cada situação

Um detalhe de primeira parte torna o argumento função por função concreto, em vez de teórico. O Cline Pass plugin existe em parte porque uma API de assinatura que apenas transmite dados interrompe especificamente as chamadas de utility — o plugin injeta um callback de streaming no-op para que o trabalho em segundo plano, como nomear chats, compactação e consolidação de memória, continue funcionando. As funções falham separadamente, e essa é precisamente a razão pela qual uma única resposta de chat bem-sucedida não é um teste de integração. O Agent Zero também inclui um LLM Cost Tracker plugin que agrupa o uso por classe de chamada — incluindo chat principal, agentes subordinados e utility — e não vem com nenhum preço, instruindo você a "Preencher as tarifas usando a página oficial de preços do seu provedor". Preencha uma tarifa por função, ou o painel cobrará cada classe usando qualquer tarifa única que você tiver inserido.

Configure-o e verifique as três funções

A Kunavo não testou o Agent Zero em tempo de execução contra seu endpoint e não publica nenhuma página de integração do Agent Zero; tudo acima foi obtido do próprio código-fonte e da documentação do Agent Zero em 21 de setembro de 2026. Portanto, verifique por função, e não pela primeira resposta: envie uma mensagem de chat para a função principal, depois acione o trabalho em segundo plano — inicie uma nova conversa para que a nomeação automática seja acionada ou deixe uma sessão executar tempo suficiente para ser compactada — e confirme que foi o modelo de utility que respondeu. Mantenha a função de embedding no padrão local, a menos que tenha decidido migrá-la, pois essa alteração reindexa a memória. Mantenha uma rota funcional disponível durante todo o processo, execute uma tarefa limitada e leia a cobrança registrada pela sua conta em comparação com a estimativa do próprio rastreador de custos.

Se você estiver roteando as duas funções pagas para um único endpoint, o quickstart contém a URL base e uma primeira solicitação, e criar uma conta na Kunavo exige o mínimo pré-pago de $10 sem assinatura. Para decisões mais amplas: a referência da API compatível com OpenAI aborda o formato de endpoint usado pelo Agent Zero, Agent Zero vs OpenClaw compara os dois harnesses quanto à execução e à memória, alternativas ao LiteLLM aborda a camada de transporte pela qual passa cada chamada do Agent Zero, e otimização de custos de IA aborda a medição de uma tarefa real em vez de uma tabela de tarifas.

Perguntas frequentes

O estado do repositório do Agent Zero, a versão mais recente, o status de issues e pull requests, o catálogo de provedores, models.py, o transporte do LiteLLM, os requisitos, o arquivo de predefinições selecionado, os guias de instalação e solução de problemas, os termos da API de LLM e a colisão no PyPI foram todos verificados em 21 de setembro de 2026. As posições nos resultados de busca vêm de uma única coleta registrada em 17 de setembro de 2026 e representam uma única coleta, não uma classificação. As tarifas de tokens da Kunavo foram lidas do catálogo ativo; todos os valores em dólares nesta página são cálculos ilustrativos de tokens baseados em uma suposição declarada, e não o custo medido de uma tarefa.