内容
<div align="center">
   
</div>
有人询问在规模化应用后AI功能将带来的成本，大多数团队的回答往往是“不知道”。自上次查询以来，费率已经变动了两次，而模型本身很乐意从其训练数据中引用价格。这个MCP服务器保持了69种模型当前每百万token的费率，您的助手可以访问这些费率，并自行进行算术运算。
## 观看其工作
```
$ 你：计算 Claude Opus 4.8 在 25k-token 提示和 1k 答案的情况下运行 5,000 次的费用
llm-cost › estimate_cost
费用估算：Claude Opus 4.8（Anthropic）
费率：输入 $5/1M，输出 $25/1M，缓存输入 $0.5/1M
每次调用（25,000 输入 + 1,000 输出 token）：
输入： $0.1250
输出： $0.0250
每次调用总计： $0.1500
运行 5,000 次： $750.00
降低相同 5,000 次调用的费用：
使用缓存输入： $187.50
通过批量 API： $375.00
```
这里没有任何内容是四舍五入或猜测的。费率经过验证，注明日期，并由服务器计算。
<details>
<summary><b>打开第二个会话：跨四个模型进行相同调用，并排名</b></summary>
```
$ 你：在 Opus 4.8、Sonnet 5、GPT-5.6 Terra 和 Gemini 3.1 Pro 上比较相同调用的费用
llm-cost › compare_models_cost
25,000 输入 + 1,000 输出，最便宜的优先：
1. Claude Sonnet 5 $0.0600 /调用 $300.00 /5k
2. Gemini 3.1 Pro $0.0620 /调用 $310.00 /5k
3. GPT-5.6 Terra $0.0775 /调用 $387.50 /5k
4. Claude Opus 4.8 $0.1500 /调用 $750.00 /5k
排名使用每个模型的实时馈送条目，而不是记住的价格。
```
</details>
## 它弥补的差距
| 单独的助手 | 带有 llm-cost 的助手 |
|---|---|
| 从训练数据中引用输出费率，通常已过时 | 读取当前费率，注明日期 |
| 将估算值设为“几毛钱” | `$0.1500` 每调用， `$750.00` 运行 5,000 次 |
| 从未提及批量或缓存折扣 | `$375.00` 批量， `$187.50` 缓存，仅在模型实际提供时 |
| 自信错误，无法核实 | 每个数字都追溯到具有验证日期的馈送条目 |
相同的数字可以在浏览器中通过 [LLM 计算器](https://comparedge.com/llm-calculator) 回答， [LLM 类别中心](https://comparedge.com/best/llm) 按评分和价格对跟踪的模型进行排名。
## 数据流动
```mermaid
flowchart LR
V["提供商定价页面<br/>17 提供商"] --> CE["验证<br/>注明日期的检查"]
CE --> F["模型价格馈送<br/>69 模型，每百万 token 美元"]
F -->|"6 小时缓存，失败时提供过时数据"| MCP["llm-cost 服务器<br/>本地算术"]
MCP --> A["您的代理"]
```
服务器从不调用提供商 API。它读取一个公共馈送， [`llms-model-prices.json`](https://comparedge.com/llms-model-prices.json)，并在本地计算。无需担心速率限制，无需泄露密钥，网络问题时提供最后的正确副本。而是出现错误。每个价格的检查方式都在 [方法论](https://comparedge.com/methodology) 中有详细介绍，后台的目录作为 [开放数据集](https://comparedge.com/open-data) 以 CC BY 4.0 许可发布。
## 六种工具
四种用于计算，另外两种帮助您找到数学所需的确切模型 ID。
| 工具 | 答案 | 参数 |
|---|---|---|
| `estimate_cost` | 单次调用或 N 次相同调用，单位为美元 | `model`, `input_tokens`, `output_tokens`, `calls?` |
| `compare_models_cost` | 相同调用在 2 至 6 个模型上的定价 | `models[]`, `input_tokens`, `output_tokens` |
| `monthly_budget` | 工作负载的每日、每月、每年支出 | `model`, `daily_calls`, `avg_input_tokens`, `avg_output_tokens` |
| `cheapest_models` | 最低成本模型，可选上下文下限 | `min_context?`, `limit?` |
| `list_models` | 具有费率、上下文和层级的每个模型 | `provider?` |
| `list_providers` | 具有模型计数和最便宜选择的提供商 | 无 |
<details>
<summary><b>Token 经验法则，当没有人知道计数时</b></summary>
- 一页英文散文大约为 500 token；一个 token 约为四个字符。
- 模型引用是宽容的： `claude-opus-4-8`, `Opus 4.8` 和 `anthropic/opus` 解析为同一模型。当解析器不确定时，它会返回候选项而不是猜测。
- `cheapest_models` 按输入到输出 3 比 1 的混合费率加权，因为实际工作负载读取的次数远多于写入的次数。请用 `estimate_cost` 在实际分割上确认获胜者。
</details>
## 提示
| 提示 | 参数 | 运行 |
|---|---|---|
| `estimate_my_workflow` | `workflow`, `model?` | token 估算以及描述的工作流每次运行和每月的费用 |
| `pick_cheapest_model` | `task` | 最便宜的模型，仍然满足要求，顶部候选项定价 |
| `forecast_ai_budget` | `model`, `usage` | 根据预期用量预测每月和每年的账单 |
## 连接
```json
{
"mcpServers": {
"llm-cost": {
"command": "npx",
"args": ["-y", "@comparedge/llm-cost-mcp@latest"]
}
}
}
```
Claude Desktop 将此文件保存在 `~/Library/Application Support/Claude/claude_desktop_config.json`。Cursor：设置，然后是 MCP。带有 Copilot 的 VS Code 读取 `.vscode/mcp.json`。重启客户端；六种工具出现。无需 API 密钥，无需帐户。在 [设置指南](https://comparedge.com/mcp/docs) 中有每个客户端的逐步教程。
## 家庭
由 [ComparEdge](https://comparedge.com) 构建，软件价格在报价前会与供应商页面进行核对。两个兄弟共享数据：完整的目录服务器和价格变更监视器，均位于 [ComparEdge MCP](https://comparedge.com/mcp)。
MIT 许可。JSON-RPC 2.0 通过 stdio，标准模型上下文协议。
