Cloudprice

cloudprice-mcp

询问 AI 助手云服务要花多少钱——获取真实的标价。

cloudprice-mcp 为 Claude、Cursor、GitHub Copilot 和任何其他 MCP 客户端提供 AWS、Azure、GCP 和 OCI 的定价与 FinOps 工具，以及约 2,300 种模型／提供商组合的大模型 Token 价格。无需云账户，也无需 API 密钥：它使用每周从提供商公开定价 API 刷新的目录运行。

• 一个答案涵盖四家云服务商，包括 OCI 及其 10 TB 免费出口流量——大多数工具都没有涵盖这一点。
• 云服务与 AI 成本并列比较：在同一段对话中为虚拟机、GPU 和运行其上的大模型调用估价。
• 价格历史：每周的目录都会存档，因此你可以询问价格有何变化，而不只是当前价格。
• 不只是查询，更是辅助决策：RI／Savings Plan 盈亏平衡点、3 年总拥有成本（TCO）、迁移回本时间、出口流量套利、碳排放（kg CO2e）、FOCUS 1.3 导出。

快速开始

将以下内容添加到 MCP 客户端的配置中（Claude Desktop、Cursor、VS Code 等）。 uvx 会下载并运行它——无需预先安装：

{
  "mcpServers": {
    "cloudprice": { "command": "uvx", "args": ["cloudprice-mcp"] }
  }
}

Claude Code：claude mcp add cloudprice -- uvx cloudprice-mcp

或者使用 pip 安装，并让它配置找到的每个客户端（写入每个配置前都会询问）：

pip install cloudprice-mcp
cloudprice-mcp setup

重启客户端后，就会显示 38 个工具。遇到问题？cloudprice-mcp doctor 会说明问题所在；INSTALL.md 提供适用于 Windows、macOS 和 Linux 的分客户端步骤。Python 3.10 及以上版本。

各版本的更新内容：**CHANGELOG.md**。

可以询问的问题

“我在 AWS 上运行 6× t3.2xlarge。按需、1 年期 Savings Plan 和 3 年期 RI，哪种方案的盈亏平衡月份是？” → optimize_commitment

“每月有 50 TB 的互联网出站流量，哪个云最便宜，迁移 3 年能省下多少？” → compare_egress、find_egress_arbitrage （OCI 约为每月 340 美元，而超大规模云厂商约为每月 4,000 美元）

“在四大云上为这个三层应用选型：8 台 Web（4 vCPU/16 GB）、12 台 App （8/32）、4 台 DB（16/64）、5 TB SSD、每月 10 TB 出站流量、多可用区。” → compare_workload、compare_total_cost_of_ownership

“每月处理 5,000 万输入 / 1,000 万输出 Token，最便宜的方式是什么？Claude Sonnet 在 Bedrock 和 Vertex 上的价格一样吗？” → compare_token_pricing

“四大云中，哪种 H100 实例的每 GPU 小时价格最低？” → compare_gpu_workload

“我们每月向 API 发送 20 亿输入 / 5 亿输出 Token。租用 8×H100 并自行托管 Llama 是否更便宜？需要达到多大用量才划算？” → compare_llm_vs_selfhost

“我的支持 Agent 平均执行 8 个步骤，系统提示词有 2k Token，工具定义有 3k Token。在 Sonnet 和 Haiku 上每月运行 50,000 次要花多少钱？提示词缓存能省多少？部署在 AgentCore 还是 Lambda 上？” → estimate_agent_cost（Token + AgentCore Runtime/Gateway/Memory 与 Lambda）

“本周 LLM 定价有什么变化？Bedrock 或 Groq 上有更便宜的选项吗？” → llm_price_changes（每周归档约 3,600 个模型/提供商价格）

“Bedrock 和 Azure OpenAI 上哪些模型将在未来 6 个月内退役？有哪些模型会取代它们？” → model_retirements（analyze_ai_spend 和 review_agentcore 也会自动标记）

“自 5 月以来，OCI E5.Flex 的价格有什么变化？” → get_price_history

“这是我们的 FOCUS 导出文件（~/Downloads/focus-2026-10.csv）。钱都花在哪里了？上个月哪些费用涨了？Savings Plans 覆盖了多少用量？” → analyze_bill — 在你的机器上读取文件；不会将任何内容发送到其他地方，托管部署也无法调用它。

“使用同一份导出文件：我们的承诺用量是否不足？上周哪些费用飙升？有多少支出缺少 team 标签？” → find_commitment_gaps、 detect_bill_anomalies、analyze_cost_allocation

“本月账单预计是多少？每位客户的成本是多少？我们 9 月有 41,000 位客户，10 月有 44,500 位。” → forecast_spend、 calculate_unit_cost

“这张账单中的计算资源，在 Azure、GCP 或 OCI 上要花多少钱？” → reprice_bill：根据你实际使用的 vCPU 和内存，按四大云的价格重新计价，并与实际支付金额并列显示

“我们在 Bedrock 和 Azure OpenAI 上花了多少钱？支付的是标价吗？提示词缓存能帮上忙吗？” → analyze_ai_spend

“检查我们的 AgentCore 部署：安全吗？Agent 的成本是多少？我们应该先修复什么？” → 对 terraform show -json 输出和账单运行 review_agentcore

每个回答都会附上目录日期和 honest_gaps 列表，说明工具无法建模的内容，让 AI 告诉你哪些数字并非完全准确。

在自己的账单和部署上使用

九个工具会读取你机器上的文件：云账单（FOCUS 导出文件）和 AgentCore 部署（Terraform JSON）。文件不会离开你的机器；只有工具生成的摘要会发送给 AI 助手。托管部署的此服务完全无法调用这些工具。

1. 将账单下载为 FOCUS CSV。 各大云服务商都支持导出：

云服务商	位置	指南
AWS	Billing and Cost Management → Data Exports → Create → 选择 FOCUS 导出格式和 CSV → 从 S3 存储桶下载	AWS
Azure	Cost Management → Exports → Create → 选择 Cost and usage details (FOCUS) 和 CSV → 从存储帐户下载。大型导出文件会拆分成多个部分；你可以分析其中一个部分，也可以先将它们合并	Azure
GCP	Billing → FOCUS export to BigQuery → 查询所需月份 → 将结果保存为 CSV	GCP
OCI	Billing → Cost and Usage Reports → FOCUS reports → Download	OCI

支持读取最大 500 MB 的 .csv 和 .csv.gz 文件。

2. 提问时附上文件路径：

“这是我们的账单：~/Downloads/focus-2026-10.csv。钱都花在哪里？如果换到其他云服务商，费用会是多少？我们在 AI 上花了多少钱？”

问题	工具
钱都花在哪里？	analyze_bill
我们的承诺用量是否不足？闲置承诺造成了多少费用？	find_commitment_gaps
哪些费用激增了？从什么时候开始？	detect_bill_anomalies
有多少费用缺少 team 标签？	analyze_cost_allocation
本月费用会是多少？每位客户的成本是多少？	forecast_spend、calculate_unit_cost
换到其他云服务商，计算费用会是多少？	reprice_bill
我们的 AI 模型费用是多少？是否按目录价付费？	analyze_ai_spend

3. 审查 AgentCore 部署（Terraform）：

terraform plan -out=tfplan
terraform show -json tfplan > plan.json

“审查我们在 ~/plan.json 中的 AgentCore 部署。账单位于 ~/Downloads/focus.csv，Agent 的标签为 agent=support。”

你会得到按严重程度排序的发现项：公开网络、未经身份验证的网关、模型权限、环境变量中的密钥、闲置会话费用、缺失的警报和标签；如果提供账单，还会列出 Agent 的费用以及缓存可以节省的金额。每项都会指出资源、Terraform 修复方法，以及相关规则对应的 AWS 页面。若你有意接受某项发现，请说明原因：“跳过 aws_bedrockagentcore_agent_runtime.demo 上的 S1，这是一个公开演示。” 该项随后会标记为已跳过，并附上你的理由。

plan.json 包含 Terraform 掌握的所有值，包括密钥。审查过程不会复述这些值，但请勿将该文件提交到 git，并在完成后将其删除。

工具

38 个工具，按用途分组。完整描述和参数见： docs/TOOLS.md（由服务生成，因此始终保持最新）。

用途	工具
查询单项价格	get_aws_price、get_azure_price、get_gcp_price、compare_clouds
估算工作负载价格	compare_compute_inventory、compare_storage_inventory、compare_workload、compare_object_storage、compare_postgres_database、compare_egress
FinOps 决策	assess_migration、optimize_commitment、compare_total_cost_of_ownership、find_egress_arbitrage、generate_decision_report
Spot、GPU、碳排放	compare_spot、compare_gpu_workload、compare_carbon_footprint
价格历史	get_price_history、list_tracked_skus、detect_price_anomalies、watch_workload
AI / LLM 成本	estimate_agent_cost、compare_llm_vs_selfhost、compare_token_pricing、lookup_extended_model_pricing、llm_price_changes、model_retirements
你的实际账单（仅本地）	analyze_bill、find_commitment_gaps、detect_bill_anomalies、analyze_cost_allocation、forecast_spend、calculate_unit_cost、reprice_bill、analyze_ai_spend
审查部署（仅本地）	review_agentcore
导出	export_focus

FinOps 框架覆盖范围

这些工具与 FinOps Foundation 能力的对应关系。“你的账单”工具会在本地读取 FOCUS 导出文件；其余工具使用标价和每周价格存档。

能力	工具
数据摄取	analyze_bill（导入 FOCUS）、export_focus（导出 FOCUS）
报告与分析	analyze_bill
成本分摊	analyze_cost_allocation
异常管理	detect_bill_anomalies（你的支出）、detect_price_anomalies、watch_workload（标价）
费率优化	find_commitment_gaps（你的支出）、optimize_commitment、compare_spot
工作负载优化	compare_compute_inventory、compare_gpu_workload、compare_llm_vs_selfhost
规划与估算	compare_workload、compare_total_cost_of_ownership、assess_migration、estimate_agent_cost
云架构设计	reprice_bill（你的支出）、review_agentcore（你的配置）、find_egress_arbitrage、assess_migration
基准测试	reprice_bill（你的支出）、compare_clouds、compare_token_pricing、llm_price_changes
云可持续性	compare_carbon_footprint
预测	forecast_spend
单位经济效益	calculate_unit_cost
AI FinOps	analyze_ai_spend（你的支出）、review_agentcore（你的 Agent）、model_retirements、estimate_agent_cost、compare_token_pricing、llm_price_changes

示例：compare_workload 输入

{
  "compute": [
    { "name": "web", "vcpus": 4,  "memory_gb": 16, "quantity": 8,  "os_disk_gb": 100, "os_disk_type": "ssd" },
    { "name": "app", "vcpus": 8,  "memory_gb": 32, "quantity": 12, "os_disk_gb": 200, "os_disk_type": "ssd" },
    { "name": "db",  "vcpus": 16, "memory_gb": 64, "quantity": 4,  "os_disk_gb": 500, "os_disk_type": "ssd" }
  ],
  "storage": [
    { "name": "shared-fast", "capacity_gb": 5000,  "disk_type": "ssd" },
    { "name": "shared-bulk", "capacity_gb": 50000, "disk_type": "hdd" }
  ],
  "commitment": "1yr_no_upfront",
  "multi_az": true
}

**建模说明。**承诺套餐采用保守的计算折扣（1 年约 30%，3 年约 50%）；存储不打折。默认将快照按完整副本计价——设置 snapshot_incremental_factor（例如 0.3）可估算实际的增量快照。multi_az 会使计算资源翻倍，但不会增加存储。

定价数据

价格作为精选数据集打包，其中包含 4 个云平台的常见 SKU：

• 计算（约 50 种 AWS / Azure / GCP / OCI 虚拟机 SKU，包括 OCI A1 Always Free、A2 Arm Ampere 和 E5 Flex）
• 块存储（各云平台的 SSD + HDD）
• 对象存储（各云平台的 Hot / Cool / Archive 层级，包括 OCI Always Free 20 GB）
• 托管 PostgreSQL（RDS / Azure DB / Cloud SQL / OCI Database with PostgreSQL）

每周自动刷新

每周日，GitHub Action 都会调用各云平台的公开定价 API，刷新捆绑目录：

• AWS — Pricing API（通过 boto3，使用 OIDC 进行身份验证）
• Azure — Retail Prices API（公开，无需身份验证）
• OCI — Public pricing API（公开，无需身份验证）
• GCP — Cloud Billing Catalog API（通过 API key 调用 — GCP_API_KEY 环境变量）。在 v0.8.0 中添加
• Bedrock 大模型 token 价格 — AWS Pricing API 的 AmazonBedrock 服务代码（通过 boto3，使用相同的 OIDC 角色）。在 v0.15.0 中添加 — 刷新我们跟踪的所有 Bedrock 托管模型的输入／输出 token 费率（Claude 4 Opus/Sonnet、Claude 3/3.5 Haiku、Llama 3.1/3.3、Mistral Large 2、DeepSeek R1）
• 扩展大模型目录 — LiteLLM 的 model_prices_and_context_window.json（采用 MIT 许可，由社区维护，无需身份验证）。在 v0.16.0 中添加 — 导入约 2,000 个（模型、提供商）组合，涵盖 Together AI、Fireworks、Groq、Replicate、Perplexity、区域版 Bedrock/Azure，以及较旧的模型版本。为 lookup_extended_model_pricing 工具提供支持。经过精心整理和人工核验的价格（compare_token_pricing）与扩展价格（lookup_extended_model_pricing）刻意分开，让用户始终清楚自己查询的是哪个目录。

每次刷新都会将带日期的快照写入 src/cloudprice_mcp/data/prices/YYYY-MM-DD.json 和 src/cloudprice_mcp/data/token_prices/YYYY-MM-DD.json — 所有曾发布的 JSON 文件都会保存在仓库中。历史归档采用 MIT 许可，并随每次发布不断扩充。

每个工具结果都包含目录的 as_of 字段，因此你可以确切知道所用价格对应的日期。

公开价格历史数据集

据我们所知，cloudprice-mcp 是唯一一个保留每周所有快照的 FinOps 工具。你可以查询 “m5.xlarge 在 5 月的价格是多少？” — AWS Calculator 和 GCP Estimator 都无法回答这个问题，因为它们的页面始终显示当前价格。

从命令行查询历史记录：

cloudprice-mcp history --cloud oci --sku VM.Standard.E5.Flex.4OCPU
# oci/VM.Standard.E5.Flex.4OCPU (us-ashburn-1) — 2 data point(s)
#
# AS_OF          HOURLY USD
# --------------------------
# 2026-04-26   $    0.67600
# 2026-05-12   $    0.18400
#
# Change: -72.78% ($-0.49200/h)

价格下降 72.78%，是因为 v0.7.0 的自动刷新修正了先前 OCI 目录中经人工整理的错误价格 — 这证明了自动刷新机制确实有效。

通过 AI 助手使用两个新的 MCP 工具查询历史记录：

• get_price_history(cloud, sku, since?) — 完整时间序列及变更统计
• list_tracked_skus(cloud?, since?) — 我们保留了历史记录的所有（云平台、SKU）组合

此功能可回答这类实际问题：

“过去一个季度，AWS m5.xlarge 的价格有变化吗？” → AI 调用 get_price_history，返回包含起始／结束价格和变动百分比的时间序列。

“列出自 1 月以来所有云平台中价格有变动的项目。” → AI 调用 list_tracked_skus(since="2026-01-01")，返回所有 SKU、最新价格及价格变动。

跨提供商 LLM 令牌定价

令牌成本是 2026 年增长最快的 FinOps 支出项目，而且没有人公开比较不同提供商的价格。同一模型通常可通过多个提供商使用，价格各不相同（Anthropic / Bedrock / Vertex 上的 Claude；OpenAI / Azure OpenAI 上的 GPT；Bedrock 上的 Llama）。

from cloudprice_mcp.finops.tokens import compare_token_pricing

# Cheapest model overall for a 50M-in / 10M-out monthly workload
r = compare_token_pricing(
    monthly_input_tokens=50_000_000,
    monthly_output_tokens=10_000_000,
)
# gemini-1.5-flash on google is cheapest at $6.75/mo for 50M in / 10M out tokens.
#   gemini-1.5-flash       on google        $   6.75/mo
#   gemini-1.5-flash       on vertex        $   6.75/mo
#   gemini-2.0-flash       on google        $   9.00/mo
#   llama-3.1-8b           on bedrock       $  13.20/mo
#   gpt-4o-mini            on openai        $  13.50/mo
#   deepseek-v3            on deepseek      $  24.50/mo

# Same model across all hosts — proves Claude 4 Sonnet provider parity
# (and surfaces that only Anthropic API publishes the 90%-off cache_read rate)
r = compare_token_pricing(model_id="claude-4-sonnet")
#   anthropic   in=$3/1M  out=$15/1M  cache_read=$0.30/1M  cache_write=$3.75/1M
#   bedrock     in=$3/1M  out=$15/1M
#   vertex      in=$3/1M  out=$15/1M

覆盖 8 家提供商的 19 款模型：Claude（4 Opus / 4 Sonnet / 3.5 Haiku / 3 Haiku）、GPT（5、5 mini、4o、4o-mini、o1）、Gemini（2.0 Flash、1.5 Pro/Flash）、Llama（3.1 8B/70B/405B、3.3 70B）、Mistral Large 2、DeepSeek V3/R1。

可解答的实际问题：

“对于每月输出量为 10M、输出密集型聊天，哪款模型最便宜且支持 200K 上下文？” → AI 调用 compare_token_pricing，并传入用量以及可选的 model_family 筛选条件，返回所有可行模型与提供商组合的月度成本排名。

“使用 Anthropic API 还是 Bedrock 来调用 Claude 更合适？” → compare_token_pricing(model_id="claude-4-sonnet") 显示两者的每令牌费率相同，但 Anthropic API 提供的 cache_read 费率低 10 倍，而 Bedrock 未公布该费率。对于缓存密集型工作负载，Anthropic 更划算。

多云 GPU 定价

增长最快的云成本类别，而且没有人公开比较不同云平台的价格。

from cloudprice_mcp.finops.gpu import compare_gpu_workload
from cloudprice_mcp.pricing import load_catalog

r = compare_gpu_workload(load_catalog(), gpu_type="H100", gpu_count=8)
# OCI BM.GPU.H100.8 is cheapest at $80.0000/h for 8x H100.
#   oci    BM.GPU.H100.8                  $ 80.0000/h  $10.0000/GPU/h
#   gcp    a3-highgpu-8g                  $ 84.4000/h  $10.5500/GPU/h
#   aws    p5.48xlarge                    $ 98.3200/h  $12.2900/GPU/h
#   azure  ND96isr_H100_v5                $ 98.3200/h  $12.2900/GPU/h

覆盖 4 家云平台上的 NVIDIA T4、A10、A10G、L4、L40S、V100、A100、H100。返回：

• 绝对小时成本最低者 — 每家云平台上符合条件的 SKU 中最便宜的一款
• 每 GPU 效率最高者 — 有时来自另一家云平台（例如，OCI 的 BM.GPU4.8 每 GPU 最便宜，但只按 8 张 GPU 销售，因此当 gpu_count=1 时，Azure/GCP 的绝对成本排名更优）
• 过度配置标记 — 唯一符合条件的 SKU 所包含的 GPU 数量超过请求数量时发出标记
• GPU 内存 — 区分 A100 40GB 和 80GB（使用相同的 gpu_type 字段）

OCI 的 H100 价格发现是真实的：配备 8 张 H100 时，相比 AWS/Azure，同等硬件便宜约 19%。

成本漂移哨兵

从查询工具转变为Agent 能力。大多数 FinOps 工具回答的是*“这要花多少钱？”，而这个工具回答的是“这还是我签字确认时的价格吗？”*

from cloudprice_mcp.finops.sentinel import watch_workload
from cloudprice_mcp.inventory import parse_dict
from cloudprice_mcp.pricing import load_catalog

# First call — captures a baseline. Persist the returned baseline JSON.
result = watch_workload(load_catalog(), parse_dict(workload_spec))
save(result["baseline"])

# Later — pass the baseline back to detect drift.
report = watch_workload(load_catalog(), parse_dict(workload_spec), baseline=load_baseline())
if report["alert_triggered"]:
    notify_humans(report["headline"])

设计上无状态 — 无需服务端，也无需数据库。基准 JSON 可存放在你选择的任何位置：IaC 仓库中的文件、S3、Slack 私信，等等。每次调用都是 (catalog, workload, baseline) 的纯函数。

主要特性：

• 工作负载哈希保护 — 如果更改了工作负载规范，哈希就会不匹配，此时会生成新的基准，而不是提供误导性的漂移报告
• SKU 级别归因 — 漂移报告会查询价格历史数据集，并显示从基准到现在变化最大的 SKU
• 可配置阈值 — 默认值为 5%；传入 alert_threshold_pct=N 即可调整

开箱即用的 GitHub Action 模板位于 examples/cloudprice-watch.yml — 将其放入任何包含 workload.json 的 IaC 仓库，成本发生漂移时就会自动创建 GitHub issue。基准会提交到你的仓库，因此历史记录可审计。

碳感知 FinOps — 每项工作负载的 kg CO2e，与 USD 并列

唯一一款可在同一查询中同时返回成本和碳足迹的 FinOps MCP 工具。AWS / Azure / GCP 各自发布了面向客户的仪表板（Customer Carbon Footprint Tool、Emissions Impact Dashboard、Carbon Footprint），但都无法跨云服务提供商进行比较。cloudprice 可以。

from cloudprice_mcp.finops.carbon import compare_carbon_footprint
from cloudprice_mcp.pricing import load_catalog

result = compare_carbon_footprint(load_catalog(), vcpus=8, memory_gb=32, quantity=6)
# Returns per-cloud SKU + cost + power class (x86/ARM) + monthly kWh +
# grid-based kg CO2e + market-based residual kg CO2e (after renewable matching),
# ranked cheapest-carbon-first.

建模内容（并在每次响应中披露）：

• 各云服务商的 PUE，依据各提供商公开的可持续发展报告
• 各区域的电网碳强度，依据公开排放数据（美国采用 EPA eGRID，其他地区采用类似基准）
• 各提供商的可再生能源匹配情况（AWS/Azure 为 100%，GCP 的 CFE 约为 64%，OCI 在欧盟以外未匹配）
• ARM 与 x86 功耗级别 — ARM SKU（Graviton、Ampere、Axion）的每 vCPU 功耗按低约 30% 建模
• 每个云服务商提供两个碳排放数值：基于位置（电网）和基于市场（可再生能源匹配后的剩余排放）——两者都会显示，方便审计人员从两个角度查看

未建模内容（始终通过 honest_gaps[] 披露）：

• 隐含碳排放（服务器制造）——仅计算运营排放
• GPU / 网络 / 存储功耗——仅计算计算和内存
• 电网的分时变化——仅采用年度平均值
• 实时 24/7 CFE 匹配——GCP 发布年度 CFE 百分比；cloudprice 使用该数据

可解答的实际问题：

“对于 4 vCPU / 16 GB 和 6 个实例，哪个云服务商的碳排放最低？” → AI 调用 compare_carbon_footprint，返回按云服务商排列的每月 kg CO2e。

“在 ARM 上运行而不是 x86，可以减少多少碳排放？” → AI 使用相同规格但不同目标 SKU 调用两次。

未建模内容（实际 TCO 的主要影响因素）

• ✅ 出口流量 / 数据传输 — 已在 v0.5 中建模（compare_egress）
• ✅ 多可用区 / HA 副本 — 已在 v0.5 中建模（compare_workload 中的 multi_az: true）
• ✅ 快照仅按上限估算 — 已在 v0.5 中修复（snapshot_incremental_factor）
• 预留实例 / Savings Plan SKU 细节（采用统一的分层折扣，而非按区域 / 实例系列分别计算）——路线图
• 多区域定价（目前仅支持 us-east；计划在 v0.5.1 中支持 us-west / eu-west）——路线图
• 基于 IOPS 的存储匹配（目前仅按容量匹配）——路线图
• 备份存储费用（部分云服务商免费，其他则收费）——路线图
• 请求费用（对象存储的 PUT/GET 定价）——路线图
• 归档层检索费用（Glacier 类检索费用可能是存储成本的 10 倍）——路线图
• VPC 对等连接 / 互连费用——路线图

这些内容均已纳入路线图。使用 cloudprice-mcp 获取按需定价基准；在依据数据做出重大决策之前，请使用各云服务商自己的计算器进行最终 TCO 分析。

正在考虑在 v0.8 中实现运行时实时定价（而非仅每周刷新）——在调用 MCP 工具时直接获取价格，而不是使用捆绑的目录。权衡之处：速度较慢（每次使用工具都要进行网络调用）、需要 GCP 身份验证，并且会破坏离线模式。v0.7 的每周自动刷新无需运行时成本，即可覆盖约 95% 的可信度提升；实时模式属于可选范围。

本地开发

git clone https://github.com/Albaker-Group/cloudprice-mcp.git
cd cloudprice-mcp
uv sync                     # Python + dev tools at the versions in uv.lock (see mise.toml)
uv run pytest               # CI also runs: ruff check, ruff format --check, coverage floor
uv run python scripts/gen_tools_md.py   # after changing a tool's description

若要让 Claude Desktop 使用你的开发副本，请替换配置中的 command：

{
  "mcpServers": {
    "cloudprice": {
      "command": "python",
      "args": ["-m", "cloudprice_mcp.server"]
    }
  }
}

许可证

MIT — 参见 LICENSE。

致谢

由多云架构师 Ali Albaker 构建——他在 AWS、Azure 和 GCP 上运行着一个实时的三云组合，每月费用约为 $1.80；2026 年 OCI 将加入，成为第 4 个云服务商。