agent-cost-mcp-server

Agent Cost MCP Server

エージェントや開発者が、実行前および実行中にLLMの作業コストを見積もり、予算を設定し、比較するためのツールを提供するMCP サーバーです。AWSのインフラコストツールに相当する、モデル利用料金向けのツールです。

エージェントフレームワークは、タスクに必要なモデル呼び出しの回数を独自に決定するため、実行コストは通常、請求が届いて初めて明らかになります。このサーバーは、ツール内から次の質問に答えます。

• このタスクのコストは、モデルAとモデルBでそれぞれいくらですか？
• トークンあたりではなく、成功したタスクあたりのコストが最も低いモデルはどれですか？
• この実行ですでに予算を使い切っていますか？

このサーバーは単独で動作します。メンテナンスされている料金スナップショットが同梱されており、AWSアカウントもAPIキーも必要ありません。状態はすべてローカルのJSON台帳に保存され、実行時にネットワーク通信は行いません。

デモ

ライブMCPクライアントセッション（2026年11月9日）：クライアントがstdio経由で接続し、5つのツールを一覧表示します。Sonnet 4.5での実行コストを0.063ドルと見積もり、成功したタスクあたりのコストでモデルを再ランキングし、支出を2件台帳に記録した後、タスクの予算を確認します。支出額は0.10ドル中0.0784ドルです。セッションの全出力と書き込まれた台帳はdemo/にあります。

対応ツール

• tokenecon — このサーバーはtokeneconのコストモデルを基盤にしています。compare_models_for_taskは、正答あたりのコストに基づくランキングを、エージェントが実行中に呼び出せるツールとして公開します。
• Argus — このサーバーがMCPツール内で数値を提供するのに対し、Argusはゲートウェイでポリシーと予算を適用します。Argus Chatでは、Argus経由のすべての回答にtokeneconのレシートが付与されます。
• mcplens — MCPサーバーを信頼する前に、その説明でうたわれている内容と実際の動作を照合して評価します。

連携するツール群 — エージェントが何を行い、どれだけのコストがかかり、それが許可されるべきだったかを、すべて一貫して追跡します。Argus · tokenecon · mcplens · agent-cost-mcp-server · Argus Lens · PersistAIBench · Argus-Bench

ツール

ツール	引数	戻り値
price_usage	model_id、input_tokens、output_tokens	具体的な使用記録1件の入力／出力／合計コスト（USD）
estimate_run_cost	model_id、input_tokens、output_tokens	1回の実行におけるモデルのコストと、同じワークロードを他のすべてのモデルで価格設定した結果（安い順）
compare_models_for_task	input_tokens、output_tokens、success_rates?	成功タスクあたりの予測コスト（試行あたりのコスト ÷ 成功率）で順位付けされた全モデル
record_spend	task_id、model_id、input_tokens、output_tokens	定価で計算された記録済み台帳エントリ
budget_status	task_id、budget_usd	タスクの {spent_usd, remaining_usd, over_budget, calls, models_used, by_model}。by_model は各 model_id を {calls, input_tokens, output_tokens, spent_usd} に対応付けます。

エージェントの作業では、トークンあたりのコストで順位付けするのは適切ではありません。タスクの半分に失敗する安価なモデルは、信頼性の高い高価なモデルよりも、成功1回あたりのコストが高くなることがあります。成功率を測定済みの場合は compare_models_for_task に渡してください。成功率が指定されていないモデルは、実コストで順位付けされます。

このサーバーは数値を提供します。予算の適用（実行の停止）はエージェントのフレームワーク側で行います。このパターンについては、strands-agents/samples の BudgetedModel をご覧ください。

インストール

このサーバーは PyPI で公開されており（現行リリースは 0.1.1）、Official MCP Registry に io.github.karmendra8386/agent-cost-mcp-server として登録されています。Python 3.10+ が必要です。uvx を使用するには uv が必要です。

Claude Code

claude mcp add agent-cost -- uvx agent-cost-mcp-server

Claude Desktop と Cursor

クライアントの MCP 設定に追加します（Claude Desktop： claude_desktop_config.json、Cursor：.cursor/mcp.json）。

{
  "mcpServers": {
    "agent-cost": {
      "command": "uvx",
      "args": [
        "agent-cost-mcp-server"
      ]
    }
  }
}

VS Code

.vscode/mcp.json に追加します（VS Code では servers キーを使用します）。

{
  "servers": {
    "agent-cost": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "agent-cost-mcp-server"
      ]
    }
  }
}

pip

pip install agent-cost-mcp-server
agent-cost-mcp-server   # serves over stdio

ソースから（GitHub）

PyPI リリースではなく、未リリースの master の最新コミットを使う必要がある場合：

pip install git+https://github.com/karmendra8386/agent-cost-mcp-server
agent-cost-mcp-server   # serves over stdio

例：ツール呼び出しの戻り値

入力トークン 10,000 個、出力トークン 2,000 個を使用してタスクを1回試行する場合の compare_models_for_task。いくつかのモデルには成功率の例を指定しています（独自に測定した成功率に置き換えてください。成功率が指定されていないモデルは実コストで順位付けされます）。

{
  "input_tokens": 10000,
  "output_tokens": 2000,
  "success_rates": {
    "amazon.nova-micro": 0.2,
    "amazon.nova-lite": 0.6,
    "openai.gpt-5-nano": 0.4,
    "openai.gpt-4o-mini": 0.9,
    "anthropic.claude-haiku-3-5": 0.85,
    "anthropic.claude-sonnet-4-5": 0.95
  }
}

サーバーの実行時に取得した応答（価格スナップショット v1、2026-10-20、18モデル中、上位5モデル）：

{
  "input_tokens": 10000,
  "output_tokens": 2000,
  "ranked": [
    {
      "model": "amazon.nova-lite",
      "display_name": "Amazon Nova Lite",
      "cost_per_run_usd": 0.00108,
      "success_rate": 0.6,
      "cost_per_success_usd": 0.0018
    },
    {
      "model": "google.gemini-2.5-flash-lite",
      "display_name": "Gemini 2.5 Flash-Lite",
      "cost_per_run_usd": 0.0018,
      "success_rate": 1.0,
      "cost_per_success_usd": 0.0018
    },
    {
      "model": "openai.gpt-4o-mini",
      "display_name": "GPT-4o mini",
      "cost_per_run_usd": 0.0027,
      "success_rate": 0.9,
      "cost_per_success_usd": 0.003
    },
    {
      "model": "amazon.nova-micro",
      "display_name": "Amazon Nova Micro",
      "cost_per_run_usd": 0.00063,
      "success_rate": 0.2,
      "cost_per_success_usd": 0.00315
    },
    {
      "model": "openai.gpt-5-nano",
      "display_name": "GPT-5 nano",
      "cost_per_run_usd": 0.0013,
      "success_rate": 0.4,
      "cost_per_success_usd": 0.00325
    }
  ],
  "pricing_snapshot": "v1 (2026-10-20)"
}

順位が逆転している点に注目してください。Amazon Nova Micro は実行あたりのコストが最も安価（$0.00063）ですが、成功率が 20% の場合、成功タスクあたりでは4位（$0.00315、成功1回あたり約5回の試行）になります。Nova Lite は実行あたりのコストが1.7倍ですが、成功あたりのコストは最も安価です。

価格スナップショット

価格は src/agent_cost_mcp_server/pricing.json に保存されています。主要な Bedrock および OpenAI 互換モデルの定価（100万トークンあたりの USD）を記録した、ファイル内の日付付きバージョン管理スナップショットです。価格は変更されるため、支出を決める前にプロバイダーの料金ページで確認してください。スナップショットの更新は1ファイルを変更するだけで、サーバーは起動時にそれを読み込みます。

台帳

record_spend はローカルの JSON 台帳 ~/.agent-cost-mcp-server/ledger.json に追記します。別のファイルを使うには AGENT_COST_LEDGER_PATH を設定してください。データがマシンの外部に送信されることはありません。

背景

価格設定と成功あたりのコストのモデルは、タスクごとのエージェントのコスト計算を行うオープンソースライブラリ tokenecon（論文：doi.org/10.5281/zenodo.23195511）を移植したものです。ライブのエージェント実行を価格設定する Strands 連携も含まれています。このサーバーは同じ計算を MCP 経由で公開するため、あらゆるエージェントや IDE から呼び出せます。

awslabs/mcp コレクションへの追加が RFC #4772 で提案されています。

開発

uv sync --extra dev   # or: pip install -e ".[dev]"
pytest

引用

このソフトウェアを利用した場合は、ソフトウェア自体と、コストモデルおよびその基盤となる手法を解説した関連プレプリントを引用してください。

ソフトウェア

@software{pandey_agent_cost_mcp_server_2026,
  author = {Pandey, Karmendra},
  title = {agent-cost-mcp-server},
  version = {0.1.1},
  doi = {10.5281/zenodo.23680824},
  url = {https://github.com/karmendra8386/agent-cost-mcp-server},
  date = {2026-10-26}
}

関連プレプリント

K. Pandey, 「Token-Economics for Agentic AI: A Cost Model and Tiered Routing Reference」, Zenodo, DOI 10.5281/zenodo.23195511, 2026年10月.

@misc{pandey_tokeneconomics_2026,
  author = {Pandey, Karmendra},
  title = {Token-Economics for Agentic AI: A Cost Model and Tiered Routing Reference},
  doi = {10.5281/zenodo.23195511},
  url = {https://zenodo.org/records/23195511},
  publisher = {Zenodo},
  date = {2026-10}
}

自動引用ツール用に CITATION.cff を同梱しています。

ライセンス

Apache-2.0 — LICENSE を参照してください。

Copyright 2026 Karmendra Pandey.