开源 AI 代理框架 Agent Zero 的成本为 0 美元——其 LICENSE 文件采用 MIT 条款，版权归 Agent Zero, s.r.o. 所有，而 agent-zero.ai 没有为其提供定价页面、计划或付费托管层——因此“Agent Zero pricing”指的是其底层的模型 API 账单。 与单模型代理不同的是，Agent Zero 将账单拆分为三个模型角色，分别配置、分别计费：main 模型、utility 模型和 embedding 模型。Kunavo 不提供 embedding 模型，因此在这里实际购买的只有前两个角色，第三个角色继续使用本地默认设置，或交由提供该步骤的供应商。因而，收到一条聊天回复并不意味着集成已经完成——它只意味着三个角色中的一个作出了响应。
首先说明一个容易混淆的地方，因为它出现在结果页面上，而不是页面之外。Agent Zero Token (A0T) 是 Base 上的一种加密货币，在本页于 2026 年 9 月 17 日记录的“agent zero pricing”单次搜索结果中排名第四，Coinbase 的价格页面排名第七。一次结果不能代表排名。该代币确实属于项目本身——CoinGecko 的官方链接区块指向 agent-zero.ai 和项目的 GitHub 仓库——这正是它容易被误认为价目表的原因。但它不是价目表：任何代币报价都不是该软件的价格，本页不提供投资或交易建议；下文仅将该代币作为免费端点的一项明确条件列出。
四个名为“Agent Zero”的事物，它们都不是该软件的价格
下面只有第一行是在“agent zero pricing”的搜索结果中观察到的；其余三项是你在研究过程中会遇到的名称冲突，而不是该页面返回的结果。
| 名称冲突 | 它是什么 | 如何处理 |
|---|---|---|
| Agent Zero Token (A0T) | Base 上的一种加密货币，由 CoinGecko 和 Coinbase 列出，其官方链接区块指向本项目。两张图表页面都进入了所记录的那次结果的前十名 | 绝不能将其理解为软件价格。图表数据反映的是代币价格，而不是框架价格 |
| Agent Zero (2026) | 一部法国动作电影，原名 Badh，有其自身的美国上映日期和影碟发行日期 | 租赁、购买和影碟价格属于该电影 |
agent-zero 上的 PyPI | 版本 0.1.2，被描述为 AI 外呼语音代理框架——另一个项目 | pip install agent-zero 不会安装该软件；请使用 Docker、A0 Launcher 或安装脚本 |
| llm.agent-zero.ai | 一个一方端点，其条款称其为免费附加功能，须质押项目代币才能使用 | 不是付费计划，也不是供应商的免费层。在依赖它之前，请先阅读条款 |
已核查的来源（2026 年 9 月 21 日）：LICENSE 文件（MIT，版权归 Agent Zero, s.r.o. 所有）、PyPI 项目页面以及LLM API 条款。条款称该服务“是 Agent Zero 社区的免费附加功能”，并且“不是商业或付费产品”；代币持有者质押其代币后即可使用，配额“动态确定且不作保证”。本页能够读取的任何地方都没有公布质押门槛及其对应配额，因此这里不陈述二者。关于软件本身，GitHub API 报告 agent0ai/agent-zero 仓库未归档且未禁用，拥有 19,227 个 star；最新版本为 v2.12，于 2026 年 9 月 9 日发布。
三个角色，三笔独立账单
Agent Zero 的模型预设指南指出，每套配置都包含一个主模型、一个辅助模型和一个嵌入模型。这并非 v1 的遗留设计：main 分支上的 conf/model_providers.yaml 恰好有两个顶层部分，chat: 包含 29 家提供商，embedding: 包含 16 家提供商，而主模型和辅助模型这两种角色都从聊天模型列表中选择模型。安装指南还补充说明，内置的 Browser 没有自己独立的默认模型配置项。
| 角色 | 它的作用 | 费用流向 |
|---|---|---|
Main（chat_llm） | 对话、推理和工具调用 | 大部分令牌和大部分账单。可以从任何聊天提供商购买，包括网关 |
Utility（utility_llm） | 消息摘要、管理记忆、内部提示词 | 同一聊天列表上的第二笔、通常小得多的账单——而且它可以完全指向另一个端点 |
Embedding（embedding_llm） | 用于记忆检索和知识查询的向量 | 默认情况下无需支付：已提供的模型在 CPU 上本地运行。Kunavo 不提供 embedding 模型，因此这里永远不会购买该角色 |
在迁移它之前，有必要先理解默认设置。在 models.py 中，当 embedding 调用的提供商为 huggingface 且模型名称以 sentence-transformers/ 开头时，该调用会直接使用本地 SentenceTransformer 封装器——不发送 HTTP 请求，也不需要密钥——而精选的 Default 预设会将该角色固定为 sentence-transformers/all-MiniLM-L6-v2。安装指南还指出，更改 embedding_llm“将重新索引 A0 的全部记忆”，这使该槽位成为一次迁移，而不是普通设置——请按迁移来规划，并在修改前备份记忆目录。关于检索质量与存储如何相互作用这一更广泛的问题，RAG implementation在该框架之外介绍了相同的决策。
Agent Zero 自定义 API：端点和密钥应放在哪里
在 2026 年 9 月 17 日记录的搜索结果中，“agent zero custom api”这一查询将项目的 api-integration 指南排在第三位，但该文档回答的是另一个问题——其实际标题是“Adding External APIs Without Code”，内容是教代理调用第三方 API，而不是选择 LLM 提供商。下面是从 2026 年 9 月 21 日的仓库内容读取的提供商配置路径。
- 选择提供商。其 id 是
other；conf/model_providers.yaml将其命名为Other OpenAI compatible，并在chat:和embedding:部分中均列出该提供商。安装指南将同一选项写作OpenAI Compatible，因此预计界面中会出现这两个名称。 - 将密钥放入 External Services。指南的原文是“在 External Services -> Other OpenAI-compatible API keys 下添加 API 密钥，然后在模型设置中选择 OpenAI Compatible 作为提供商”。
- 在每个要迁移的角色上设置 API URL。这是一个按角色设置的字段，在预设文件中存储为
api_base；指南将其描述为“聊天模型的 API 端点 URL”。 - 手动输入模型 id，并确保与网关目录中的拼写完全一致，同时保持前缀约定正确：原生提供商使用不带前缀的 id，而网关通常要求供应商前缀。
# 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: ""在底层，models.py 会在调用前立即重写提供商——源代码中的注释是 remap other to openai for litellm——因此自定义端点必须支持 OpenAI Chat Completions 的格式，并且目录中的每个聊天提供商都带有 a0_api_mode: chat。LiteLLM 是所有这些请求的传输层，在 requirements.txt 中固定为 litellm==1.88.1，注释为“CVE-2026-42271 fix: patched floor is 1.83.7”。如果你不想在界面中输入凭据，环境变量读取顺序如下：
# 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安装指南中有一个值得重复说明的 Docker 陷阱：在容器内部，API 基础 URL 中的 localhost 和 127.0.0.1 指的是 Agent Zero 容器，而不是你的主机，因此运行在主机上的模型服务器需要使用 http://host.docker.internal:<port> 或桥接地址。这适用于本地运行时，不适用于公共 HTTPS 端点。
在完全照做之前，有两个官方设置文档中的缺陷值得了解，因为二者都已于 2026 年 9 月 21 日确认。首先，安装指南中的 A0 Launcher 下载链接硬编码为 v0.9，文字也指向“A0 Launcher v0.9 release”，而 启动器自己的发布页面显示为 v1.7，于 2026 年 9 月 9 日发布——新了八个版本。请使用发布页面，而不要使用固定的下载 URL。其次，指南的“Model Naming by Provider”表格在其 OpenAI 行的示例单元格中放置了一个 Anthropic 模型 id；周围的说明文字区分正确。请以说明文字中的一般规则为准，而不要依据该表格行：原生提供商使用不带前缀的模型 id，而网关通常需要供应商前缀。
自定义端点会遇到的四个限制
| 缺少什么 | 读取自 | 这对你意味着什么 |
|---|---|---|
| 没有模型下拉菜单 | other 条目没有 models_list 块，而 Model Configuration 插件正是读取该块 | 输入 id；拼写错误会显示为“Invalid model ID” |
| 未发送提示词缓存标记 | helpers/litellm_transport.py：两个独立的门控条件，均要求使用指定名称的提供商或主机——不属于这些名称的基础 URL 两者都无法通过 | Agent Zero 不发送缓存断点，也不发送缓存密钥。它并不意味着自行在一侧进行缓存的网关会停止缓存 |
| 一份描述转售商端点的未关闭崩溃报告 | 问题 #1769，自 2026 年 7 月 15 日起处于开放状态 | 一份有记录的报告，而不是复现结果——见下文 |
| 两个带有未合并修复的 embedding 失败模式 | PR #1437，自 2026 年 4 月 4 日起处于开放且未合并状态 | 仅当你将该角色从本地默认设置迁移出去时相关 |
缓存门控条件最有可能改变预算，因此下面准确说明源代码的行为。仅当 api_base 包含 openrouter.ai 或 anthropic.com，或者规范化后的提供商属于固定集合（包括 anthropic、bedrock、gemini、minimax、openrouter 和 vertex_ai）时，_supports_cache_control_markers 才会返回 true。other 提供商会规范化为 openai，而后者不在该集合中。第二条路径 _is_openai_prompt_cache_provider 对任何不是 api.openai.com 或 openai.azure.com 的 api_base 都返回 false。因此，对于不包含这四个主机名中任何一个、且其提供商规范化为 openai 的基础 URL，Agent Zero 既不会应用 Anthropic 风格的断点，也不会应用 OpenAI 缓存密钥。请准确限定这一结论的范围：它说明的是 Agent Zero 发送的内容，而不是声称无法获得缓存折扣。
对于这两份错误报告，应按其实际性质表述。问题 #1769 是一份用户报告，截至 2026 年 9 月 21 日仍处于开放状态，标题为“当 model_cost 中的模型所使用的 litellm_provider 与提供商实际的 litellm_provider 映射不同时，LiteLLM 调用会 exit(-9)”；其自身的范围说明称，这影响“从多个来源转售或代理模型的任何提供商”，这描述的正是网关。没有人为本页复现该问题，也未测试它是否会针对任何特定模型 id 触发。PR #1437 报告称，LiteLLM 1.80.11 及更高版本在 encoding_format 未设置时会发送 encoding_format: null，而严格验证器会以 422 拒绝；此外，未截断的记忆召回查询可能超出嵌入模型的上下文容量。该 PR 仍处于开放且未合并状态；其关联的原始问题 #1436 已关闭，但无法确定该问题是如何解决的，因此这里既不声称“已修复”，也不声称“问题仍然存在”。
按角色计算的成本估算示例
这些是说明性令牌算术，不是经过测量的任务成本，也不是账单上限。假设一周内持续使用：main 角色使用 6 百万个未缓存输入令牌和 300，000 个输出令牌，utility 角色使用 1.5 百万个输入令牌和 150，000 个输出令牌。这一拆分只是用于说明的假设——本页没有人对 Agent Zero 循环进行计量。费率采用实时的 Kunavo catalog 每百万令牌价格。
| Main 角色模型 | 每 1M 个令牌的输入 / 输出 | 仅 main 角色的估算周成本 |
|---|---|---|
| GPT-5.6 Sol | $2.00 / $12.00 | $15.60 |
| Claude Opus 5 | $3.50 / $17.50 | $26.25 |
| Claude Sonnet 4.6 | $2.10 / $10.50 | $15.75 |
| GPT-5.6 Terra | $0.70 / $4.20 | $5.46 |
| Utility 角色模型 | 每 1M 个令牌的输入 / 输出 | 仅 utility 角色的估算周成本 |
|---|---|---|
| Claude Haiku 4.5 | $0.70 / $3.50 | $1.57 |
| GPT-5.6 Terra | $0.70 / $4.20 | $1.68 |
有两种解读，而且它们指向相反方向。首先，在这些假设下，上方最贵行与最便宜行之间的 main 角色选择每周相差 $10.14，而 utility 角色选择相差 $0.10。除非你的工作负载异常偏重后台任务，否则优化第二个槽位并不是节省成本的关键；安装指南也建议不要在该角色上选择过小的模型，因为它指出非常小的模型（以 4B 为例）经常无法可靠地提取记忆。其次，两个角色可以独立组合：GPT-5.6 Terra 与 Claude Haiku 4.5 的组合估算为每周 $7.03，而 GPT-5.6 Sol 与 GPT-5.6 Terra 的组合为 $17.28。只要第三个角色继续使用本地 CPU 默认设置，就完全不会增加 API 费用。
为了与项目自身的选择进行校准，Agent Zero 在首次启动且不存在已保存集合时会下载三个精选预设。Default 将 GPT-5.6 Terra 聊天模型与 Google flash-lite utility 模型配对；Power 将 GPT-5.6 Sol 与 GPT-5.6 Luna 配对；Efficiency 将 GLM 聊天模型与 DeepSeek utility 模型配对。只有 Default 明确写出了 embedding 角色，并将其固定为本地 CPU 模型；Efficiency 和 Power 在该文件中完全没有 embedding 块。这些引用采用该文件使用的 OpenRouter 风格，因此按原样看，它们都不是 Kunavo id——请使用 Kunavo 自己的目录所列 id。该文件最后一次推送于 2026 年 7 月 17 日，因此其中的模型选择可能落后于市场。
在将其中任何内容视为预算之前，请先按你自己的周使用量进行换算。Kunavo 目录金额是计费下限，而不是上限：当上游报告其费用时，账单取目录成本与上游成本乘以适用加价二者中的较高者。缓存费用和外部工具费用不包含在本示例中。Kunavo 的最低充值金额为$10 的预付余额——这是资金最低要求，不是任务费用，也不是订阅。请参阅计费详情。
Agent Zero 的最佳 API：不同情况下哪条路径更合适
| 方式 | 适用场景 | 你放弃的内容 |
|---|---|---|
| 直接调用提供商 API | 某一家供应商的旗舰模型能够完成你的全部 main 角色工作，并且你希望使用其自身的缓存和批处理折扣 | 为 utility 角色使用第二个模型通常意味着需要第二个账户和第二个密钥 |
| OpenAI 兼容网关 | 你希望两个付费角色共用一个密钥和余额，并且可以在不再开设账户的情况下切换 utility 角色 | 没有模型下拉菜单，Agent Zero 未发送缓存标记，而且上文所述的转售商式崩溃报告仍处于开放状态而非已解决 |
| 订阅 | 相比按令牌计费，你更适合固定费率的高频日常使用 | Agent Zero 没有自己的订阅；有文档记录的路径是一方 Cline Pass 插件，该插件仅对带有 cline-pass/ 前缀的模型计费，其他模型仍按量计费 |
| 本地模型服务器 | 少量或私密工作，不产生按请求收费；Ollama、LM Studio、vLLM、llama.cpp 和 oMLX 均有相关文档 | 相对于托管前沿模型存在能力差距，并且还需要相应硬件——在 Docker 内部，基础 URL 是 host.docker.internal 或 Docker 主机网关地址，绝不能是 localhost |
| llm.agent-zero.ai | 完全不是购买渠道 | 其条款将其称为一项免费赠送功能，但必须质押该项目的代币才能使用，配额动态决定且不作保证 |
一个来自官方的细节，让这种按角色划分的论证变得具体而非理论化。Cline Pass 插件的存在部分是因为仅支持流式传输的订阅 API 会导致实用性调用无法正常工作——该插件注入一个空操作流式回调，使聊天命名、压缩和记忆整合等后台工作能够继续运行。各个角色会分别失效，这正是单次聊天回复成功不能作为集成测试的全部原因。Agent Zero 还提供一个LLM Cost Tracker 插件，按调用类别分组统计使用量——其中包括主聊天、从属代理和实用性调用——但完全没有预置价格，而是提示你“从服务商的官方定价页面填写费率”。请按角色分别填写，否则仪表板会按你输入的那一个费率为所有类别计费。
完成设置后，验证全部三个角色
Kunavo 尚未针对其端点对 Agent Zero 进行运行时测试，也没有发布 Agent Zero 集成页面；以上内容全部来自 Agent Zero 自身的源代码和文档，查阅日期为 2026 年 9 月 21 日。因此应按角色而不是按首次回复进行验证：发送一条聊天消息来测试主角色，然后触发后台工作——开始新对话以触发自动命名，或让会话运行足够长的时间以触发压缩——并确认响应的是辅助模型。除非你已经决定迁移嵌入角色，否则保留本地默认设置，因为该更改会重新建立记忆索引。始终保留一条可用路径，运行一个范围受限的任务，并读取你的账户记录的费用，将其与成本跟踪器自身的估算进行核对。
如果你要将两个付费角色路由到同一个端点，快速入门包含基础 URL 和首个请求，而创建 Kunavo 账户只需预付最低金额 $10，无需订阅。关于更广泛的决策：OpenAI 兼容 API 参考介绍 Agent Zero 所使用的端点形式，Agent Zero 与 OpenClaw 对比从执行和记忆方面比较这两个工具，LiteLLM 替代方案介绍 Agent Zero 每次调用所经过的传输层，而AI 成本优化介绍如何衡量真实任务，而不是只看费率表。
常见问题
Agent Zero 的成本是多少？
Agent Zero 框架本身的成本为 $0。其 LICENSE 文件采用 MIT 条款，版权归 Agent Zero, s.r.o. 所有，而 agent-zero.ai 没有发布软件的定价页面、计划或订阅；Docker 镜像、A0 Launcher 桌面应用和 shell 安装程序均免费。你需要支付的是模型 API 令牌、运行容器的机器，以及你自行接入的任何付费工具 API。两个同名产品不属于该软件的价格：Agent Zero Token（A0T）是一种加密货币，在本页记录的一次搜索抽样中，其 CoinGecko 和 Coinbase 图表页面都出现在“agent zero pricing”查询结果的前十名；Agent Zero（2026）是一部法国动作电影，原名 Badh，有自己的租赁和光盘价格——它没有出现在该查询中，但名称相同。代码仓库、许可证和网站于 2026 年 9 月 21 日核查；搜索抽样记录于 2026 年 9 月 17 日。
Agent Zero 最佳使用哪种模型？
不存在唯一的最佳模型，因为 Agent Zero 会为三个角色计费，而它们的要求不同。主角色负责对话、推理和工具调用，因此消耗大部分令牌并产生大部分成本；应选择能够以你可接受的审查工作量完成任务的最低成本模型。实用角色负责摘要、记忆整合和其他后台工作；Agent Zero 自己的安装指南警告说，非常小的模型——其点名 4B——往往无法可靠地提取记忆，并建议使用 70B 级模型或强大的云端 flash 或 mini 模型，因此这里并不是可以免费节省成本的地方。第三个角色是嵌入模型，而 Kunavo 不提供嵌入模型，因此该角色要么从其他地方购买，要么继续使用随附的本地 CPU 默认设置。本页没有人针对 Agent Zero 的循环流程对模型进行基准测试，因此任何排名说法，包括没有排名这一点，都应视为未经测试。
如何将 Agent Zero 连接到自定义 API？
选择与 OpenAI 兼容的提供商，并为其提供基础 URL 和密钥。在 conf/model_providers.yaml 中，该提供商的 id 是 `other`，名称为“Other OpenAI compatible”；Agent Zero 的安装指南将同一选项称为“OpenAI Compatible”，并将凭据放在 External Services 下的 Other OpenAI-compatible API keys 中。基础 URL 是按角色设置的 API URL 字段，在预设文件中存储为 api_base，因此 main、utility 和 embedding 各自拥有独立的值。在调用前，models.py 会将提供商 id `other` 重映射为 LiteLLM 的 openai 提供商，因此端点必须支持 OpenAI Chat Completions 的格式。密钥也可以按优先顺序从环境变量 API_KEY_OTHER、OTHER_API_KEY 或 OTHER_API_TOKEN 中获取。本页资料读取于 2026 年 9 月 21 日；未针对任何网关运行测试。
为什么 Agent Zero 中没有我的自定义端点的模型下拉菜单？
因为该提供商条目没有模型列表 URL。在 conf/model_providers.yaml 中，`other` 提供商只有 name、litellm_provider 值和 kwargs 块，没有 models_list 部分；Model Configuration 插件正是使用该字段填充下拉菜单，而 openai、anthropic 和 openrouter 等提供商都包含该字段。因此，模型 id 必须手动输入，并且必须与网关自身目录中的拼写完全一致。错误的 id 会显示为“Invalid model ID”；Agent Zero 的故障排除指南针对另一组提供商介绍了该错误，并指出 openai/gpt-5.3 对 OpenRouter 是正确的，而对原生 OpenAI 提供商则不正确，后者不使用前缀。已于 2026 年 9 月 21 日检查。
Agent Zero 的最佳 API 是什么？
这取决于你购买的是哪个角色，以及你的工作方式。当某一家供应商的旗舰模型能够完成你的主要角色工作，并且你希望使用该供应商自己的缓存和批处理折扣时，直接使用供应商 API 更合适。当你希望在两个付费角色之间共用一个密钥和余额，或者希望将 utility 角色切换到更便宜的模型而无需开设第二个账户时，网关更合适。固定费率订阅适合每天高强度使用，而 Agent Zero 正好提供了一个一方插件：Cline Pass 会将带有 cline-pass/ 前缀的模型请求计入 Cline 订阅，而不是按令牌额度计费。本地模型服务器——Ollama、LM Studio、vLLM、llama.cpp 或 oMLX，均已在 Agent Zero 的安装指南中记录——适合少量或私密工作，且不产生按请求收费。llm.agent-zero.ai 的一方端点不是可购买的选项：其条款将其描述为一项免费附加功能，须质押该项目的代币才能使用，配额动态确定且不作保证。
Agent Zero 最便宜的 API 是什么？
每个令牌最便宜，与完成任务的总成本最低，是两个不同的问题，而 Agent Zero 的角色拆分让这种差异变得明显。在一个明确的假设下——main 角色每周使用 600 万个未缓存输入令牌和 300,000 个输出令牌，utility 角色使用 150 万个输入令牌和 150,000 个输出令牌——main 模型的选择会使每周金额相差几美元，而 utility 模型的选择带来的差异远低于一美元，因为大部分流量由 main 角色承担。如果工作适合本地模型，成本下限还会更低，因为本地模型完全不产生按请求收费；embedding 角色在已提供的 CPU 默认设置下也无需支付 API 费用。但需要第二次或第三次尝试才能完成任务的更便宜 main 模型，可能比一次就完成任务的更强模型成本更高，而且本页没有测量 Agent Zero 循环内部尝试次数的数据。请根据你自己的任务进行估算，而不要只参考价目表。
pip install agent-zero 会安装这个框架吗？
不会。PyPI 上的 agent-zero 软件包版本为 0.1.2，自称是一个 AI 外呼语音代理框架——这是一个恰好同名的无关项目。AI 代理框架 Agent Zero 可通过其 Docker 镜像 docker run -p 80:80 -v a0_usr:/a0/usr agent0ai/agent-zero、A0 Launcher 桌面应用，或位于 bash.agent-zero.ai 的 A0 Install 脚本进行安装。还请注意，GitHub 仓库已从个人账户 frdel 移至 agent0ai 组织，因此较早的教程和第三方链接块仍会引用旧路径；旧路径会重定向，但 agent0ai/agent-zero 才是当前路径。已于 2026 年 9 月 21 日检查。
Agent Zero 仓库状态、最新版本、问题和拉取请求状态、服务商目录、models.py、LiteLLM 传输层、依赖项、精选预设文件、安装和故障排除指南、LLM API 条款以及 PyPI 名称冲突均已于 2026 年 9 月 21 日检查。搜索结果位置来自 2026 年 9 月 17 日记录的一次抽样，是单次抽样而非排名。Kunavo 令牌费率读取自实时目录；本页所有美元金额都是基于明确假设进行的示例性令牌费用计算，而不是实测任务成本。