Agent Zero'nun embedding modelini değiştirmek, bir Model Preset içindeki embedding yuvasını düzenleyip Save'e tıklamak anlamına gelir — bu düzenleme sağlayıcıyı veya model adını değiştirdiğinde sonraki erişim belleği yeniden indeksler; çünkü bir FAISS dizini tek bir modelin çıktı genişliğine göre boyutlandırılır ve diskteki mevcut vektörler eski model tarafından yazılmıştır. Agent Zero'nun kendi kurulum kılavuzu sonucu tek satırda belirtir — "embedding_llm değiştirmek A0'ın tüm belleğini yeniden indeksler" — ve hiçbir prosedür, süre veya geri dönüş yolu vermez. Bu sayfa boşluğu kaynak kodundan doldurur: otomatik yeniden oluşturmanın gerçekte ne yaptığını, sessizce tetiklenmediği iki yolu, eski anıların hâlâ geri geldiğinin nasıl doğrulanacağını ve nasıl geri dönüleceğini açıklar. Kunavo hiçbir embedding modeli sunmaz; dolayısıyla bu yuva başka yerden satın alınır. Kunavo'nun fiyatlandırabildiği yuvalar ana ve yardımcı yuvalardır.
Önce birbirinden ayrı tutulması gereken iki sürüm numarası var. Çerçeve, projenin kendi sürüm makalesine göre 9 Eylül 2026'da yayımlanan v2.12 sürümündedir. README'deki en öne çıkan numara olan A0 Launcher v1.7, agent0ai/a0-launcher içindeki ayrı masaüstü yükleyicisidir — bunu çerçeveye bağlamak, tam bir ana sürüm farkıyla yanlıştır. Ayrıca v2.x'te model alanları düz bir genel ayar yerine bir ön ayarda bulunur: model ön ayarları kılavuzu "her kurulumun bir ana, yardımcı ve embedding modeli içerdiğini" söyler; yeni sohbetlerin hangi ön ayarı kullanacağını Settings → Agent → Models bölümünden seçersiniz. Kurulum kılavuzunun hâlâ Provider ve Model Name alanlarını içeren bir "Embedding Model Settings" bölümünü belgelediğini unutmayın; bu nedenle bu şekilde yazılmış bir anlatım otomatik olarak güncelliğini yitirmiş değildir — ancak yazdığınız değer bir ön ayar yuvasına gider ve aşağıdaki yayılma uyarısını önemli kılan da budur.
Bu, sohbet modelini değiştirmeye neden benzemez
Sohbet modeli değişikliği bir sonraki istekte etkili olur ve diskte hiçbir şeyin taşınması gerekmez. Embedding değişikliği depolamayı geçersiz kılar. Agent Zero, FAISS dizinini canlı modelin döndürdüğü değere göre boyutlandırır — faiss.IndexFlatIP(len(embedder.embed_query("example"))), plugins/_memory/helpers/memory.py içinde — dolayısıyla genişlik bir yapılandırma değerinin değil, modelin özelliğidir. Gönderilen varsayılan sentence-transformers/all-MiniLM-L6-v2, model kartına göre metni 384 boyutlu bir uzaya eşler. OpenAI'nin embeddings kılavuzu, text-embedding-3-small için 1536 ve text-embedding-3-large için 3072 değerini verir. Bir değişikliğin neden olduğu boyut şekli budur.
Gerçekte kaç yeniden oluşturma işlemi satın aldığınızı iki kapsam bilgisi belirler. Birincisi, bu genel bir değişiklik değil, ön ayar düzenlemesidir: model ön ayarları kılavuzu kapsamların "yalnızca ön ayar seçimini depoladığını; bir ön ayarın düzenlenmesinin onu kullanan her kapsamı güncellediğini" söyler; bu nedenle tek bir düzenleme beklediğinizden daha geniş bir alana yayılabilir — ön ayarlar arasında geçiş yapmak embedding modelini de değiştirebilir. Gönderilen Curated Efficiency ve Power ön ayarlarında kendilerine ait bir embedding bloğu yoktur ve kılavuz yalnızca mevcut varsayılan olmayan bir ön ayarın Default'tan eksik gelişmiş değerleri devralabileceğini söyler; bu yüzden varsayım yapmak yerine ön ayar özetini okuyun. İkincisi, project_memory_isolation: true bellek eklentisi yapılandırmasında gönderilen varsayılandır; bu nedenle çok projeli bir örnek birkaç bağımsız depo tutar ve her biri bir sonraki kullanımında kendi başına yeniden oluşturulur — haftalarca dokunulmayan bir proje, biri açtığı gün yeniden oluşturma ücretini öder.
1. adım: yedekleyin ve geride bıraktığınız şeyi yazın
Agent Zero'nun kullanım kılavuzu bu durumu zaten adlandırır: yedekler "sohbetlerinizi, projelerinizi, bilginizi, belleğinizi, ayarlarınızı, becerilerinizi ve çalışma alanı dosyalarınızı" korur; ayrıca önceden yedeklenmesi gerekenler arasında "toplu bellek temizleme"yi listeler. Settings → Backup & Restore bölümünden bir yedek alın veya Launcher'ın Backup of /a0/usr seçeneğini kullanın. Kılavuzun, sırların "yedek arşivlerine her zaman dahil edilmeyebileceği" yönündeki kendi uyarısını dikkate alın; kimlik bilgilerini ayrıca saklayın.
Ardından geçiş yaptığınız modeli kaydedin. Bunu varsaymayın — seçilmiş ön ayar koleksiyonu ilk başlatmada herkese açık bir depodan indirilir ve kurulum tarihinizden sonra değişebilir.
# 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.2. adım: değişikliği yapın
kurulum kılavuzunda belgelenen akış üç adımdır: Web UI'da Settings'i açın, her rol için sağlayıcıyı seçip model adını yazın, Save'e tıklayın. Bu akışın size söylemediği, tümü main kaynağından okunan dört şey:
| Tuzak | Gerçekte ne olur |
|---|---|
| Varsayılan yuvaya bir API temel URL'si doldurmak | Yok sayılır. Adı sentence-transformers/ ile başlayan Provider huggingface, LiteLLM'e hiç dokunmayan ve parametreleri yalnızca yerel izin verilenler listesine indiren yerel bir sarmalayıcıya kısa devre yapar. Barındırılan bir uç noktaya ulaşmak, bu yerel yoldan ayrılmak demektir — farklı bir sağlayıcı veya sentence-transformers/ öneki olmayan bir model adı. Bunların her biri meta dosyasının sakladığı bir alandır ve bu nedenle yeniden oluşturmayı tetikler. |
| Sağlayıcıyı değiştirmeden önce uç noktayı girmek | Kaybolur. Sağlayıcı açılır menüsü @change="model.api_base = ''; model.kwargs = {}; …" değerini taşır; sağlayıcıyı değiştirmek API temel URL'sini ve tüm ek parametreleri siler. Önce sağlayıcıyı değiştirin, ardından Advanced bölümünü doldurun. |
| OpenAI uyumlu bir sohbet ağ geçidinin çalışacağını varsaymak | Yuva, sohbet sarmalayıcısını değil LiteLLM'in embedding() işlevini çağırır. Uç noktanın POST /v1/embeddings uygulaması gerekir. Provider other, LiteLLM'in openai sağlayıcısına yeniden eşlenir ve anahtarı .env içine API_KEY_OTHER olarak yazılır. |
Yerel bir model sunucusu için localhost kullanmak | Docker içinde bu, Agent Zero konteyneri anlamına gelir. Kurulum kılavuzu bunun yerine http://host.docker.internal:<port> veya köprü ağ geçidi adresini kullanmanızı yönlendirir. |
Yeniden oluşturma ne yapar — ve yapmadığı iki yol
Save işleminde model_config_set.py, önceki ve yeni embedding sağlayıcısını, adı ve kwargs değerlerini karşılaştırır ve herhangi bir farkta embedding_model_changed işlemini ertelenmiş bir arka plan görevi olarak başlatır; tetiklediği eklenti tek bir şey yapar: belleği yeniden yükler. Sonraki erişim, dizinin yanındaki embedding.json dosyasını kontrol eden Memory.initialize() işlemini yeniden çalıştırır. Bu dosya tam olarak iki alan içerir — model_provider ve model_name. Uyuşmazlıkta kod, get_all_docs kullanarak eski dizindeki her belgeyi dışarı alır, yeni genişlikte yeni bir dizin oluşturur ve aynı belgeleri aynı kimliklerle yeniden ekler. Bu yol çalışır ve anılarınızı korur.
| Değiştirdiğiniz şey | Meta dosyası bunu fark eder mi? | Sonuç |
|---|---|---|
| Sağlayıcı veya model adı | Evet — ikisi de saklanır | Belgeler dışarı alınır ve yeni genişlikte yeniden eklenir. Amaçlanan yol budur. |
Yalnızca ek bir parametre; örneğin OpenAI vektörlerini dimensions ile kısaltmak | Hayır — kwargs saklanmaz | Bellek yeniden yüklenir, ardından eski dizin değiştirilmeden yüklenir. Genişlik uyuşmazlığı kaydetme sırasında değil, geri çağırma sırasında ortaya çıkar. |
| Yalnızca API temel URL'si; aynı model adı altında farklı bir uç noktaya yönlendirmek | Hayır — kaydetme yolu bunu da karşılaştırmaz | Yeniden yükleme planlanmaz; eski dizin kullanılmaya devam eder. Bu uç nokta farklı bir genişlikle yanıt verirse geri çağırma bir FAISS assertion hatası üretir. |
| Bir dizin dosyasının elle düzenlenmesi, kesilmesi veya dışarıdan geri yüklenmesi | Önce ayrı bir karma denetimi başarısız olur | Eski dizin hiçbir zaman yüklenmez; dolayısıyla belgeleri dışarı alınmaz ve konsol, "index will be rebuilt" ile biten bir karma uyuşmazlığı uyarısı yazarken yeni boş bir dizin oluşturulur — bırakılan belgeler hakkında hiçbir şey söylenmez. Eksik veya okunamayan bir karma dosyası geçerli kabul edilir. |
İkinci ve üçüncü satırlar, 13 Ekim 2025'te açılan ve kapatılan, "Errors after changed default Embedding Model" başlıklı #759 numaralı sorunun arkasındaki birleşim yeridir; sorunun traceback'i bellek geri çağırmasından benzerlik araması sırasında assert d == self.d gösterir. Bu birleşim yeri 21 Eylül 2026 itibarıyla main içinde hâlâ görünür. Kapatılmış ikinci bir sorun olan #1396, Ollama'nın /api/embed uç noktasında 400 bildirir; yazarı bunu eski bir dizine bağlar ve index.faiss ile index.pkl dosyalarını silme geçici çözümünü verir. Bu geçici çözüm depoyu yok eder; bunu onarım veya geri alma olarak değil, sıfırlama olarak değerlendirin. Her iki sorun da bakım ekibinden yorum almadı — #1396 doksan gün sonra eski-sorun botu tarafından kapatıldı — bu nedenle her iki teşhis de bildirim sahiplerine aittir ve her iki çözüm de doğrulanmamıştır.
3. adım: başarılı çağrıyı değil, eski geri çağırmayı doğrulayın
Bu değişikliğin ürettiği hata sessizdir; bu nedenle "yeni model yanıt verdi" yanlış kabul testidir. Bellek panosunu açın ve bellek kılavuzuna göre dört alanın tamamında — main, fragments, solutions ve skills — filtre uygulayarak değişiklikten önce var olduğunu bildiğiniz bir şeyi arayın. Bunu proje başına bir kez yapın; çünkü her projenin kendi deposu vardır. Ardından benzerlik eşiğini izleyin: dağıtımla gelen memory_recall_similarity_threshold, herhangi bir modelin özelliği değil, eklenti başına varsayılan olan 0.7 değeridir ve yeni bir embedding modeli benzerlik puanlarını yeniden dağıtır. Tek bir hata oluşmadan geri çağırma kalitesi düşebilir; eşik denetiminin doğrulamanın bir parçası olmasının nedeni budur, ayrıntı değildir.
Bu sayfanın size söyleyemeyeceği bir şey var: yeniden oluşturma çalışırken Web UI'ın herhangi bir ilerleme veya tamamlanma sinyali gösterip göstermediği. İşlem ertelenmiş bir arka plan görevi olarak yürütülür ve bunun için bir arayüz doğrulanmamıştır. Onay gelmeyeceğini varsayın ve elle doğrulayın.
Geri alma ve yeniden oluşturmanın maliyeti
Satıcı tarafından belgelenmiş bir geri alma yoktur. Mevcut olan, yukarıdaki yedekleme mekanizması ve meta dosyası davranışıdır; aşağıdaki yol proje tarafından yayımlanmış değil, bu ikisinden oluşturulmuştur. Değişiklik öncesi yedeği geri yükleyin veya yuvayı tam olarak önceki sağlayıcı ve model adına döndürün; bu, meta dosyası karşılaştırmasını ters yönde başarısız kılar ve yeniden oluşturmayı tetikler. Aynı konteynerde tmp/ altındaki embedding önbelleği sağlayıcı ve modele göre ad alanlarına ayrılır; bu nedenle daha önce kullanılmış bir modele dönmek, değişmemiş metin için önbelleğe alınmış vektörleri yeniden kullanabilir — ancak tmp/ belgelenmiş yedeklemenin dışında kalır ve konteyneri yeniden oluşturmak bunu kaybettirir. Yeni sağlayıcı yeniden oluşturmanın ortasında hata verirse kodun ne yaptığı test edilmedi ve burada belirtilmiyor; ona güvenmek yerine yedekten doğrulayın.
Maliyet açısından: Kunavo hiçbir embedding modeli sunmaz; bu nedenle aşağıdaki her tutar kendi hesabınızdan doğrudan OpenAI'a, 21 Eylül 2026'da kontrol edilen yayımlanmış oranlarıyla ödenir. İşi kendiniz boyutlandırın — bellek panosunda saklanan belge sayısını sayın, ortalama uzunluklarıyla çarpın ve yaklaşık dört karakter/token değerine bölün. Bu bölen bir ölçüm değil, bir kabuldür.
| Yeniden oluşturma hedefi | Doğrudan OpenAI'a faturalandırılan yayımlanmış oran | 3 milyon token yeniden embedding işleminden geçirildi | 30 milyon token yeniden embedding işleminden geçirildi |
|---|---|---|---|
text-embedding-3-small (1536 boyut) | 1 milyon token başına 0,02 $, ücret doğrudan OpenAI'a ödenir | $0,06 | $0,60 |
text-embedding-3-large (3072 boyut) | 1 milyon token başına 0,13 $, ücret doğrudan OpenAI'a ödenir | $0,39 | $3,90 |
text-embedding-ada-002 | 1 milyon token başına 0,10 $, ücret doğrudan OpenAI'a ödenir — 3-small'dan daha pahalı olduğu için bugün mantıklı bir hedef değildir | $0,30 | $3,00 |
| CPU üzerindeki dağıtımla gelen yerel model | Token başına ücret yoktur; bunun yerine kendi makinenizde CPU süresi kullanılır | Makine süresi | Makine süresi |
Bu, belirtilen varsayımlar altında token hesabıdır; ölçülmüş bir yeniden oluşturma değildir ve bir üst sınır da değildir. Ayrıca depo başınadır: proje izolasyonu açıksa gerçekten yeniden açılacak proje sayısıyla çarpın ve geri almanın aynı oranda ikinci bir yeniden oluşturma olduğunu unutmayın.
Kunavo'nun sunabileceği iki yuva
Sınırı açıkça belirtelim: embedding yuvası burada sunulmaz ve sohbet kablosuz biçimini uygulayan bir ağ geçidi embeddings uç noktası değildir. Geriye, normal sohbet modelleri olan ana ve yardımcı yuvalar kalır. Güncel katalog oranlarında Claude Sonnet 4.6, milyon giriş tokenı başına $2,10, milyon çıkış tokenı başına $10,50 listeler; Claude Haiku 4.5 ise $0,70 ve $3,50 listeler.
Claude Sonnet 4.6 ana yuvasında aylık 8M giriş ve 0.4M çıkış tokenı, ayrıca Claude Haiku 4.5 yardımcı yuvasında 2M giriş ve 0.2M çıkış tokenı kullanıldığını varsayalım; embedding yuvası burada sunulmaz ve hesaplamaya dahil edilmemiştir. Katalog tahmini: $23,10. Bunlar varsayılan kullanım hacimleridir; ölçülmüş bir iş yükü veya fatura üst sınırı değildir — Agent Zero, Kunavo'nun uç noktasına karşı çalışma zamanında test edilmemiştir ve yukarıda açıklanan kurulum çalıştırılmamış, projenin kaynak kodundan ve belgelerinden incelenmiştir. Katalog tutarı, faturalandırmanın taban tutarıdır: üst sağlayıcı ücretini bildirdiğinde fatura, katalog maliyeti ile üst sağlayıcı maliyetinin geçerli fiyat artış katsayısıyla çarpımı arasından yüksek olan tutar üzerinden hesaplanır. Minimum bakiye yükleme tutarı $10 ön ödemeli kredidir; bu, bir abonelik değil, minimum hesap fonlama tutarıdır — faturalandırma ayrıntılarına bakın.
Hâlâ bir framework seçiyorsanız Agent Zero vs OpenClaw, yürütme modellerini ve üç yuvalı düzeni karşılaştırır. Uç noktanın biçimi için OpenAI uyumlu referans ve hızlı başlangıç sohbet yuvalarını kapsar; Kunavo hesabı oluşturmak bunları finanse eder. Daha genel retrieval çalışmaları için RAG uygulaması, üretim sağlayıcısı ile ayrıca satın alınan retrieval adımı arasındaki aynı ayrımı kapsar.
Sık sorulan sorular
Agent Zero'da embedding modelini nasıl değiştiririm?
Agent Zero'nun kurulum kılavuzunda belgelenen akış üç adımdır: Web UI'da Settings sayfasını açın, her rol için LLM sağlayıcısını (Main Model, Utility Model, Embedding Model) seçip model adını yazın, ardından Save'e tıklayın. v2.x'te bu düzenleme düz bir genel ayar yerine bir Model Preset üzerindeki yuvalara uygulanır; çünkü her ön ayar bir ana, yardımcı ve embedding modeli içerir ve model ön ayarları kılavuzu, bir ön ayarın düzenlenmesinin onu kullanan her kapsamı güncellediği konusunda uyarır. Kurulum sayfasının belirtmediği bir ayrıntı: sağlayıcı açılır menüsünü değiştirmek, o yuvadaki API temel URL'sini ve tüm ek parametreleri temizler; bu nedenle sağlayıcıyı değiştirdikten sonra özel uç noktayı girin, önce değil.
Agent Zero embedding modelini değiştirmek anılarımı siler mi?
Belgelenen yolda silmez. Agent Zero, dizinin yanında embedding.json adlı küçük bir meta dosyası yazar; bu dosya embedding sağlayıcısını ve model adını içerir. Bunlar yapılandırılan modelle artık eşleşmediğinde memory.py, get_all_docs ile eski FAISS dizinindeki her belgeyi okur, canlı vektör uzunluğuna göre boyutlandırılmış yeni bir dizin oluşturur ve aynı belgeleri aynı kimliklerle yeniden ekler. Anılar yeniden embedding işleminden geçirilir, silinmez. Yıkıcı adım, bozuk bir dizin için issue #1396'da yazılan geçici çözümdür — index.faiss ve index.pkl dosyalarını silmek — bu bir geçiş değil, bellek silme işlemidir ve geri alma değildir.
Agent Zero belleğinin yeniden indekslenmesi ne kadar sürer?
Proje bunun için bir rakam yayımlamamıştır ve başka yerde de bulunamamıştır. v2.12 sürüm notlarındaki en benzer görünen sayı — bildirilen medyan kaydetme süresinin 1.171 ms'den 52 ms'ye düşmesi — embedding karşılaştırmalarının gereksiz okumaları yapmayı bırakmasıyla gerçekleşen ön ayar düzenlemesine aittir. Bu, dizini yeniden oluşturmayı değil, bir ön ayarı kaydetmeyi ölçer; onunla bütçe planlamayın. Yeniden oluşturma maliyeti depolama alanınızın tuttuğu belge sayısına ve hedef modelin ne kadar hızlı yanıt verdiğine göre değişir; kendi örneğinizden hesaplayın: bellek panosunda depolanan belgeleri sayın ve gönderilen varsayılanda proje yalıtımı açıkken her projenin yeniden oluşturma işlemini aynı anda değil, bir sonraki açıldığı gün kendi başına ödediğini unutmayın.
Embedding modelini değiştirdikten sonra neden FAISS assertion hatası alıyorum?
Boyut uyuşmazlığı: depolanan dizin bir genişliğe, canlı model ise başka bir genişliğe sahiptir. Agent Zero deposunda kapatılmış bir issue olan "Errors after changed default Embedding Model" (#759, 13 Ekim 2025'te açıldı), tam olarak bu biçimi kaydeder — bellek geri çağırma eklentisinden benzerlik araması sırasında vektör deposunda yükseltilen assert d == self.d AssertionError. Ana daldaki kaynak okunduğunda, bunu üreten mekanizma iki kontrol arasındaki birleşme yeridir: kaydetme yolu yeniden yükleme olayını tetiklemeden önce sağlayıcı, ad ve kwargs değerlerini karşılaştırırken diskteki meta dosyası yalnızca sağlayıcı ve adı kaydeder. Bu nedenle yalnızca kwargs değişikliği yeniden yüklemeyi tetikler ve ardından eski dizini değiştirmeden yükler; yalnızca API tabanı değişikliği hiç karşılaştırılmaz, dolayısıyla hiçbir şey zamanlanmaz ve eski dizin kullanılmaya devam eder. Bu issue'da hiçbir geliştirici yorumu görünür değildi ve çözüm doğrulanmamıştır; birleşme yeri 21 Eylül 2026 itibarıyla hâlâ ana dalda görülebilir.
Agent Zero'nun embedding yuvasını Kunavo'ya yönlendirebilir miyim?
Hayır. Kunavo hiçbir embedding modeli sunmaz — /v1/embeddings rotası kablo biçimini uygular ancak etkinleştirilmiş hiçbir model bu uç noktayı taşımaz; dolayısıyla çağrı başarısız olur ve Kunavo'nun makine tarafından okunabilir kendi belgeleri embedding için önerilmemesi gerektiğini söyler. Bu, burada normalden daha önemlidir; çünkü Agent Zero'nun embedding yuvası sohbet sarmalayıcısından geçmez: models.py bunun için LiteLLM'in embedding() işlevini içe aktarır; bu farklı bir API yüzeyidir. Bu nedenle OpenAI uyumlu bir sohbet ağ geçidi otomatik olarak embedding ağ geçidi değildir. Bu yuvayı doğrudan bunu sunan bir sağlayıcıdan satın alın veya yerel CPU modelini kullanmaya devam edin. Kunavo'nun Agent Zero ön ayarındaki rolü ana ve yardımcı yuvalardır.
Agent Zero'da embedding modeli değişikliğini nasıl geri alırım?
Agent Zero bunun için bir geri alma prosedürü yayımlamaz — belgelerde değişikliğin belleği yeniden indekslediğine dair tek satırlık bir uyarı, genel bir Backup and Restore mekanizması ve bunların arasında başka hiçbir şey yoktur. Bu ikisinden çıkarılabilecek yol şudur: değişiklikten önce aldığınız yedeği geri yükleyin veya yuvayı tam olarak önceki sağlayıcı ve model adına döndürün; böylece meta dosyası karşılaştırması diğer yönde yeniden başarısız olur ve yeniden oluşturma tetiklenir. Aynı konteynerde tmp/ altındaki yerel embedding önbelleği sağlayıcı ve model adına göre ad alanlarına ayrılır; bu nedenle daha önce kullanılmış bir modele dönmek, değişmemiş metinler için önbelleğe alınmış vektörleri yeniden kullanabilir — ancak tmp/ belgelenen yedeğin dışındadır, bu nedenle konteyner yeniden oluşturulduğunda bu tasarruf kaybolur. Dizini silerek asla geri alma yapmayın.
21 Eylül 2026'da agent0ai/agent-zero main — memory.py, model_config_set.py, models.py, bellek eklentisi varsayılanları ve docs ağacı — ayrıca v2.12 sürüm makalesi, a0-presets koleksiyonu, bağlantılı iki sorun ve OpenAI'ın yayımlanmış fiyatlandırması üzerinden kontrol edildi. Bu sayfadaki hiçbir şey yürütülmedi: mekanizma iddiaları kaynak doğrulamalıdır, çalışma zamanında test edilmemiştir ve Kunavo'nun Agent Zero için bir çalıştırma kaydı yoktur. Kunavo token oranları canlı katalogdan alınmıştır.