1. 从一次“写个网页”的任务说起Trae-Agent 是一个用自然语言驱动工具完成软件工程任务的 Agent它最值得研究的地方不是“能写代码”而是它把 LLM 的决策过程拆成了可观察、可复现的执行链路。你给它一句“写一个最简单的网页”它不会直接吐 HTML而是先思考、再建文件、再验证、最后报告完成。这套链路里有两个关键词sequential_thinking 和 ReAct。前者是它的“记事本”负责把复杂任务拆成有序的思考步骤后者是它的“行动循环”负责让 LLM 在思考与工具调用之间反复迭代直到任务收敛。如果你正在本地折腾 Agent 项目或者想把 Trae-Agent 接到自己的模型通道上跑通一次完整工具调用这篇文章会带你从执行思路拆到配置骨架。我会先讲清楚 sequential_thinking 和 ReAct 在 Trae-Agent 里各自扮演什么角色再给出 TaoToken 统一 Key/API 通道在 config.toml 与 settings.json 中的可复制配置最后用一次真实的工具调用链路验证整个流程。适合已经了解 LLM 基础调用、想深入 Agent 调度机制的开发者也适合想复现 Trae-Agent 执行轨迹的工程同学。2. Trae-Agent 的执行骨架LLM 决策 工具执行 轨迹记录Trae-Agent 的核心结构可以用一句话概括LLM 负责决策工具负责执行轨迹负责记录。它采用的是一个循环结构每一轮都让 LLM 根据当前消息历史选择下一步动作。这个动作可能是调用 sequential_thinking 继续思考可能是调用 edit_tool 修改文件可能是调用 bash 执行命令也可能是调用 task_done 宣布任务完成。从执行轨迹看一个“写网页”的任务大约经历 6 步第 1 步用 sequential_thinking 做规划第 2 步用 str_replace_based_edit_tool 创建 HTML 文件第 3 步用同一个工具查看文件内容做验证第 4 步用 bash 启动本地服务并 curl 测试第 5 步调用 task_done 结束。整个过程中LLM 并不是一次性输出所有步骤而是每执行完一个工具就把结果追加回消息历史再进入下一轮决策。这里的关键点是LLM 本身是无状态的它不会“记住”上一轮做了什么所有上下文都靠消息历史携带。sequential_thinking 工具的作用就是把这些上下文结构化地写进历史里让 LLM 在后续轮次中能“看到自己想过什么、做到哪一步”。这也是为什么 Trae-Agent 的轨迹 JSON 里奇数步骤几乎都是 sequential_thinking——它在强制 LLM 按结构化方式思考。核心执行伪代码大致是这样的async def execute_task(self) - AgentExecution: while step_number max_steps: # 1. LLM 决策 llm_response self.llm_client.chat(messages, tools) # 2. 判断任务完成 if self.llm_indicates_task_completed(llm_response): break # 3. 工具调用 if llm_response.tool_calls: tool_results await self.tool_caller.call(tool_calls) messages.append(tool_results) # 4. 轨迹记录 self.trajectory_recorder.record_agent_step(step) step_number 1这段循环就是 ReAct 模式在 Trae-Agent 里的落地ReasonLLM 决策→ Act工具调用→ Observe结果回填→ 再 Reason。sequential_thinking 则是 Reason 阶段的结构化载体它让 LLM 的思考不是散落在自然语言里而是以“当前思考步数、预计总步数、当前思考内容”这样的字段被记录下来。3. TaoToken 前置统一 Key 与 API 通道准备在本地复现 Trae-Agent 执行流程之前你需要先准备好模型通道。Trae-Agent 支持多种 provider但如果你想让配置更统一、切换模型更方便可以用 TaoToken 作为统一入口。它的作用是提供一个兼容 OpenAI 风格的 API 通道你只需要一个 Key就能在 config.toml 和 settings.json 里配置不同的模型调用。先到 TaoToken 控制台创建一个 API Key。访问 https://taotoken.net/api-keys 登录后新建 Key复制保存。这个 Key 后面会同时用在 Trae-Agent 的配置文件和本地验证脚本里。注意不要把 Key 硬编码到会提交到 Git 的文件里建议用环境变量或本地配置文件承载。TaoToken 的 API 基础地址是 https://taotoken.net/api它不加 UTM 参数直接作为 base_url 使用。模型名称按你实际需要的填比如你想用 Claude 系列做 Agent 决策就在配置里写对应的模型标识。如果你还不确定选哪个模型可以先到模型对话页面试一下不同模型在工具调用场景下的表现再决定写进配置。提示Trae-Agent 的工具调用对模型的 function calling 能力有要求建议选支持 tool_calls 的模型否则 ReAct 循环会在第一步就卡住。4. 可复制配置config.toml 与 settings.json 骨架Trae-Agent 的配置分两层config.toml 负责 Agent 运行时的 provider 和模型参数settings.json 负责本地工具链和项目级设置。下面给出的是可复制的骨架你只需要把 api_key 替换成自己的。先看 config.toml[llm] provider taotoken model claude-3-5-sonnet base_url https://taotoken.net/api api_key sk-your-taotoken-key max_tokens 8192 temperature 0.2 [agent] max_steps 30 enable_sequential_thinking true trajectory_output ./trajectory.json [tools] enable_edit_tool true enable_bash_tool true enable_task_done true这里几个参数值得说明。max_steps 控制 ReAct 循环的最大轮次太小会导致任务没完成就退出太大会浪费 tokenenable_sequential_thinking 打开后LLM 会被引导优先调用 sequential_thinking 工具做结构化思考trajectory_output 指定执行轨迹的落盘路径方便你事后分析每一步的工具调用。再看 settings.json{ project_root: ./workspace, tool_permissions: { bash: { allowed_commands: [python3, curl, ls, cat, grep, find], timeout_seconds: 30 }, edit: { allow_create: true, allow_modify: true, max_file_size_kb: 512 } }, llm_channel: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY } }settings.json 里的 api_key_env 表示从环境变量读取 Key这样比明文写在文件里安全。你可以在 shell 里执行export TAOTOKEN_API_KEYsk-your-taotoken-key两个配置的分工是config.toml 决定“用哪个模型、跑多少步”settings.json 决定“工具能做什么、在哪个目录做”。如果你想让 Agent 在特定项目目录下工作把 project_root 指向你的代码仓库即可。注意 bash 的 allowed_commands 是白名单机制不在列表里的命令会被拒绝这是防止 Agent 执行危险操作的第一道闸。5. 验证请求跑通一次工具调用链路配置写好后用一条最简单的任务验证整条链路。在终端执行trae-cli run 写一个最简单的网页 --config ./config.toml如果配置正确你会看到 Agent 开始输出执行日志。它第一轮大概率会调用 sequential_thinking输出类似“当前思考步数 1预计总步数 5计划创建 HTML 文件并验证”的内容。第二轮会调用 edit_tool 创建 simple_page.html第三轮查看文件第四轮用 bash 启动本地服务并 curl 测试第五轮调用 task_done。执行完成后检查 trajectory.json你会看到类似这样的精简结构{ task: 写一个最简单的网页, provider: taotoken, model: claude-3-5-sonnet, execution_summary: { total_steps: 6, tools_used: [sequentialthinking, str_replace_based_edit_tool, bash, task_done], key_actions: [ { step: 1, action: 思考规划, tool: sequentialthinking }, { step: 2, action: 创建文件, tool: str_replace_based_edit_tool, file: simple_page.html }, { step: 3, action: 验证文件, tool: str_replace_based_edit_tool, command: view }, { step: 4, action: 测试网页, tool: bash, command: python3 -m http.server 8000 curl localhost:8000/simple_page.html }, { step: 5, action: 完成任务, tool: task_done } ] }, result: { status: success, output_file: simple_page.html } }看到 status 为 success说明整条 ReAct 链路跑通了。你可以打开生成的 simple_page.html内容应该是一个最基础的 Hello World 页面。这一步验证的不只是“模型能写代码”而是“模型能在工具调用循环里自主决策并收敛”。如果你想单独验证 TaoToken 通道是否可用可以先用 curl 发一个最小请求curl https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: claude-3-5-sonnet, messages: [{role: user, content: 回复 ok}], max_tokens: 16 }返回里有 choices 字段就说明通道正常。这一步能帮你把“通道问题”和“Agent 逻辑问题”分开排查。6. 本篇常见错排查第一个常见错是模型不支持 tool_calls。表现是 Agent 第一轮就返回纯文本不调用任何工具循环直接结束。排查方法是看 trajectory.json 里 tools_used 是否为空。解决方式是换一个支持 function calling 的模型或者在 config.toml 里确认模型名称拼写正确。第二个常见错是 base_url 写成了带 /v1 的完整路径。Trae-Agent 内部会自己拼接 /v1/chat/completions如果你在 config.toml 里写成 https://taotoken.net/api/v1最终请求会变成 /api/v1/v1/chat/completions直接 404。正确写法是只写到 https://taotoken.net/api。第三个常见错是 bash 工具被权限白名单拦住。表现是 Agent 调用 bash 后返回 permission denied然后反复重试同一条命令。检查 settings.json 里的 allowed_commands把需要的命令加进去。注意不要图省事写通配符白名单越具体越安全。第四个常见错是 max_steps 设得太小。复杂任务在 10 步内完不成Agent 会在中途被强制退出trajectory 里 status 会是 incomplete。建议从 30 起步观察实际用了多少步再调整。第五个常见错是环境变量没生效。settings.json 里写的是 api_key_env但你在当前 shell 没 exportAgent 启动时会报 Key 为空。用 echo $TAOTOKEN_API_KEY 确认一下或者直接在启动命令前加上环境变量。7. 继续深入的方向跑通一次基础链路后你可以试着改任务复杂度比如让 Agent 修一个真实的小 bug观察 sequential_thinking 的思考步数如何随任务难度增长。也可以把 trajectory.json 喂给分析脚本统计不同工具的使用频率和平均步数这对理解 Agent 的决策偏好很有帮助。如果你打算长期跑编码类 Agent 任务可以关注 TaoToken 的 Coding Plan它在多轮工具调用场景下的通道稳定性更适合持续使用。配置文档在 https://taotoken.net/doc 可以查到最新的参数说明。模型对话入口在 https://taotoken.net/chat适合在写配置前先试模型。API Key 管理在 https://taotoken.net/api-keys接入文档在 https://taotoken.net/doc。Claude Code 相关配置可以参考 https://taotoken.net/claude-code。真正值得花时间的地方是把 sequential_thinking 的提示词拿出来逐条读一遍。它规定了 LLM 必须设置 total_thoughts、必须分步思考、可以在思考之间插入 bash 命令。这套约束才是 Trae-Agent 能把 ReAct 跑稳的关键。你可以试着改一改提示词里的步数下限看 Agent 的行为会怎么变——这比单纯读代码更能理解 Agent 调度。 
长河君 · 2026/9/26 9:37:41 · 阅读 1.2k Trae-Agent 核心执行思路深度解析：从 sequential_thinking 到 ReAct 的 TaoToken 配置实战
1. 从一次“写个网页”的任务说起Trae-Agent 是一个用自然语言驱动工具完成软件工程任务的 Agent它最值得研究的地方不是“能写代码”而是它把 LLM 的决策过程拆成了可观察、可复现的执行链路。你给它一句“写一个最简单的网页”它不会直接吐 HTML而是先思考、再建文件、再验证、最后报告完成。这套链路里有两个关键词sequential_thinking 和 ReAct。前者是它的“记事本”负责把复杂任务拆成有序的思考步骤后者是它的“行动循环”负责让 LLM 在思考与工具调用之间反复迭代直到任务收敛。如果你正在本地折腾 Agent 项目或者想把 Trae-Agent 接到自己的模型通道上跑通一次完整工具调用这篇文章会带你从执行思路拆到配置骨架。我会先讲清楚 sequential_thinking 和 ReAct 在 Trae-Agent 里各自扮演什么角色再给出 TaoToken 统一 Key/API 通道在 config.toml 与 settings.json 中的可复制配置最后用一次真实的工具调用链路验证整个流程。适合已经了解 LLM 基础调用、想深入 Agent 调度机制的开发者也适合想复现 Trae-Agent 执行轨迹的工程同学。2. Trae-Agent 的执行骨架LLM 决策 工具执行 轨迹记录Trae-Agent 的核心结构可以用一句话概括LLM 负责决策工具负责执行轨迹负责记录。它采用的是一个循环结构每一轮都让 LLM 根据当前消息历史选择下一步动作。这个动作可能是调用 sequential_thinking 继续思考可能是调用 edit_tool 修改文件可能是调用 bash 执行命令也可能是调用 task_done 宣布任务完成。从执行轨迹看一个“写网页”的任务大约经历 6 步第 1 步用 sequential_thinking 做规划第 2 步用 str_replace_based_edit_tool 创建 HTML 文件第 3 步用同一个工具查看文件内容做验证第 4 步用 bash 启动本地服务并 curl 测试第 5 步调用 task_done 结束。整个过程中LLM 并不是一次性输出所有步骤而是每执行完一个工具就把结果追加回消息历史再进入下一轮决策。这里的关键点是LLM 本身是无状态的它不会“记住”上一轮做了什么所有上下文都靠消息历史携带。sequential_thinking 工具的作用就是把这些上下文结构化地写进历史里让 LLM 在后续轮次中能“看到自己想过什么、做到哪一步”。这也是为什么 Trae-Agent 的轨迹 JSON 里奇数步骤几乎都是 sequential_thinking——它在强制 LLM 按结构化方式思考。核心执行伪代码大致是这样的async def execute_task(self) - AgentExecution: while step_number max_steps: # 1. LLM 决策 llm_response self.llm_client.chat(messages, tools) # 2. 判断任务完成 if self.llm_indicates_task_completed(llm_response): break # 3. 工具调用 if llm_response.tool_calls: tool_results await self.tool_caller.call(tool_calls) messages.append(tool_results) # 4. 轨迹记录 self.trajectory_recorder.record_agent_step(step) step_number 1这段循环就是 ReAct 模式在 Trae-Agent 里的落地ReasonLLM 决策→ Act工具调用→ Observe结果回填→ 再 Reason。sequential_thinking 则是 Reason 阶段的结构化载体它让 LLM 的思考不是散落在自然语言里而是以“当前思考步数、预计总步数、当前思考内容”这样的字段被记录下来。3. TaoToken 前置统一 Key 与 API 通道准备在本地复现 Trae-Agent 执行流程之前你需要先准备好模型通道。Trae-Agent 支持多种 provider但如果你想让配置更统一、切换模型更方便可以用 TaoToken 作为统一入口。它的作用是提供一个兼容 OpenAI 风格的 API 通道你只需要一个 Key就能在 config.toml 和 settings.json 里配置不同的模型调用。先到 TaoToken 控制台创建一个 API Key。访问 https://taotoken.net/api-keys 登录后新建 Key复制保存。这个 Key 后面会同时用在 Trae-Agent 的配置文件和本地验证脚本里。注意不要把 Key 硬编码到会提交到 Git 的文件里建议用环境变量或本地配置文件承载。TaoToken 的 API 基础地址是 https://taotoken.net/api它不加 UTM 参数直接作为 base_url 使用。模型名称按你实际需要的填比如你想用 Claude 系列做 Agent 决策就在配置里写对应的模型标识。如果你还不确定选哪个模型可以先到模型对话页面试一下不同模型在工具调用场景下的表现再决定写进配置。提示Trae-Agent 的工具调用对模型的 function calling 能力有要求建议选支持 tool_calls 的模型否则 ReAct 循环会在第一步就卡住。4. 可复制配置config.toml 与 settings.json 骨架Trae-Agent 的配置分两层config.toml 负责 Agent 运行时的 provider 和模型参数settings.json 负责本地工具链和项目级设置。下面给出的是可复制的骨架你只需要把 api_key 替换成自己的。先看 config.toml[llm] provider taotoken model claude-3-5-sonnet base_url https://taotoken.net/api api_key sk-your-taotoken-key max_tokens 8192 temperature 0.2 [agent] max_steps 30 enable_sequential_thinking true trajectory_output ./trajectory.json [tools] enable_edit_tool true enable_bash_tool true enable_task_done true这里几个参数值得说明。max_steps 控制 ReAct 循环的最大轮次太小会导致任务没完成就退出太大会浪费 tokenenable_sequential_thinking 打开后LLM 会被引导优先调用 sequential_thinking 工具做结构化思考trajectory_output 指定执行轨迹的落盘路径方便你事后分析每一步的工具调用。再看 settings.json{ project_root: ./workspace, tool_permissions: { bash: { allowed_commands: [python3, curl, ls, cat, grep, find], timeout_seconds: 30 }, edit: { allow_create: true, allow_modify: true, max_file_size_kb: 512 } }, llm_channel: { base_url: https://taotoken.net/api, api_key_env: TAOTOKEN_API_KEY } }settings.json 里的 api_key_env 表示从环境变量读取 Key这样比明文写在文件里安全。你可以在 shell 里执行export TAOTOKEN_API_KEYsk-your-taotoken-key两个配置的分工是config.toml 决定“用哪个模型、跑多少步”settings.json 决定“工具能做什么、在哪个目录做”。如果你想让 Agent 在特定项目目录下工作把 project_root 指向你的代码仓库即可。注意 bash 的 allowed_commands 是白名单机制不在列表里的命令会被拒绝这是防止 Agent 执行危险操作的第一道闸。5. 验证请求跑通一次工具调用链路配置写好后用一条最简单的任务验证整条链路。在终端执行trae-cli run 写一个最简单的网页 --config ./config.toml如果配置正确你会看到 Agent 开始输出执行日志。它第一轮大概率会调用 sequential_thinking输出类似“当前思考步数 1预计总步数 5计划创建 HTML 文件并验证”的内容。第二轮会调用 edit_tool 创建 simple_page.html第三轮查看文件第四轮用 bash 启动本地服务并 curl 测试第五轮调用 task_done。执行完成后检查 trajectory.json你会看到类似这样的精简结构{ task: 写一个最简单的网页, provider: taotoken, model: claude-3-5-sonnet, execution_summary: { total_steps: 6, tools_used: [sequentialthinking, str_replace_based_edit_tool, bash, task_done], key_actions: [ { step: 1, action: 思考规划, tool: sequentialthinking }, { step: 2, action: 创建文件, tool: str_replace_based_edit_tool, file: simple_page.html }, { step: 3, action: 验证文件, tool: str_replace_based_edit_tool, command: view }, { step: 4, action: 测试网页, tool: bash, command: python3 -m http.server 8000 curl localhost:8000/simple_page.html }, { step: 5, action: 完成任务, tool: task_done } ] }, result: { status: success, output_file: simple_page.html } }看到 status 为 success说明整条 ReAct 链路跑通了。你可以打开生成的 simple_page.html内容应该是一个最基础的 Hello World 页面。这一步验证的不只是“模型能写代码”而是“模型能在工具调用循环里自主决策并收敛”。如果你想单独验证 TaoToken 通道是否可用可以先用 curl 发一个最小请求curl https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: claude-3-5-sonnet, messages: [{role: user, content: 回复 ok}], max_tokens: 16 }返回里有 choices 字段就说明通道正常。这一步能帮你把“通道问题”和“Agent 逻辑问题”分开排查。6. 本篇常见错排查第一个常见错是模型不支持 tool_calls。表现是 Agent 第一轮就返回纯文本不调用任何工具循环直接结束。排查方法是看 trajectory.json 里 tools_used 是否为空。解决方式是换一个支持 function calling 的模型或者在 config.toml 里确认模型名称拼写正确。第二个常见错是 base_url 写成了带 /v1 的完整路径。Trae-Agent 内部会自己拼接 /v1/chat/completions如果你在 config.toml 里写成 https://taotoken.net/api/v1最终请求会变成 /api/v1/v1/chat/completions直接 404。正确写法是只写到 https://taotoken.net/api。第三个常见错是 bash 工具被权限白名单拦住。表现是 Agent 调用 bash 后返回 permission denied然后反复重试同一条命令。检查 settings.json 里的 allowed_commands把需要的命令加进去。注意不要图省事写通配符白名单越具体越安全。第四个常见错是 max_steps 设得太小。复杂任务在 10 步内完不成Agent 会在中途被强制退出trajectory 里 status 会是 incomplete。建议从 30 起步观察实际用了多少步再调整。第五个常见错是环境变量没生效。settings.json 里写的是 api_key_env但你在当前 shell 没 exportAgent 启动时会报 Key 为空。用 echo $TAOTOKEN_API_KEY 确认一下或者直接在启动命令前加上环境变量。7. 继续深入的方向跑通一次基础链路后你可以试着改任务复杂度比如让 Agent 修一个真实的小 bug观察 sequential_thinking 的思考步数如何随任务难度增长。也可以把 trajectory.json 喂给分析脚本统计不同工具的使用频率和平均步数这对理解 Agent 的决策偏好很有帮助。如果你打算长期跑编码类 Agent 任务可以关注 TaoToken 的 Coding Plan它在多轮工具调用场景下的通道稳定性更适合持续使用。配置文档在 https://taotoken.net/doc 可以查到最新的参数说明。模型对话入口在 https://taotoken.net/chat适合在写配置前先试模型。API Key 管理在 https://taotoken.net/api-keys接入文档在 https://taotoken.net/doc。Claude Code 相关配置可以参考 https://taotoken.net/claude-code。真正值得花时间的地方是把 sequential_thinking 的提示词拿出来逐条读一遍。它规定了 LLM 必须设置 total_thoughts、必须分步思考、可以在思考之间插入 bash 命令。这套约束才是 Trae-Agent 能把 ReAct 跑稳的关键。你可以试着改一改提示词里的步数下限看 Agent 的行为会怎么变——这比单纯读代码更能理解 Agent 调度。