Cloudprice

cloudprice-mcp

FinOps MCP 服务。 为 Claude、GitHub Copilot、Cursor、Windsurf、Cline、Continue、Zed 或任何兼容 MCP 的 AI 提供 AWS、Azure、GCP 和 OCI 的结构化定价数据和分析基础工具。AI 客户端使用 cloudprice-mcp 计算预留实例盈亏平衡点、多云工作负载总拥有成本（TCO）、迁移退出成本分析、快照成本建模和出口流量套利——这类 FinOps 决策通常需要同时打开三个浏览器标签页，还要依赖一份尚未完成的电子表格。

25 个工具涵盖计算、块存储、对象存储、托管式 Postgres、出口流量（互联网及跨区域，并明确展示 OCI 的 10 TB 免费额度）、Multi-AZ 工作负载、采用真实增量模型的快照、预留实例 / Savings Plan 折扣、FinOps 决策套件（迁移、承诺、TCO、出口流量套利）、多云竞价实例定价及其驱逐权衡、多云历史价格（同类数据集中唯一公开且每周更新的数据集）、面向定时 Agent 的无状态成本漂移哨兵、多云碳足迹（同一查询同时显示美元和 kg CO2e）、多云 GPU 定价（覆盖所有 4 家云服务商的 T4 / A10 / L4 / L40S / V100 / A100 / H100）、跨服务商 LLM 令牌定价（覆盖 Anthropic / OpenAI / Bedrock / Vertex / Azure OpenAI 的 Claude / GPT / Gemini / Llama / Mistral / DeepSeek）、对每周快照存档进行统计价格异常检测（z-score + 百分比变化，根据数据集密度自动选择），以及CFO 级 FinOps 决策报告生成（生成包含执行摘要、成本表、碳排放、审计跟踪和如实说明的缺失项的 Markdown 报告）。适用时，OCI Always Free 层级（4 OCPU 计算、20 GB 对象存储、10 TB 出口流量）会以 $0 价格项显示。

一行命令即可为你使用的所有 AI 客户端配置安装： pip install cloudprice-mcp && cloudprice-mcp setup — 自动检测 Claude Desktop、GitHub Copilot Agent Mode、Cursor、Windsurf、Cline、Continue.dev 和 Zed，然后在写入每项配置前询问是否确认（Y/N）。

使用 cloudprice-mcp 时，FinOps 是什么样的？

团队实际会提出的问题。加载 cloudprice-mcp 后，将以下任一问题粘贴到 Claude / Copilot / Cursor 中：

“我在 AWS 上运行着 6× t3.2xlarge。比较按需、1 年 Savings Plan 和 3 年部分预付 RI 的 3 年总成本。盈亏平衡月份是几月？” → AI 调用 compare_workload，获取标价基准，并叠加 AWS 公布的 RI 费率，返回美元计价的盈亏平衡点。通常约 7 个月回本。

“我在考虑将 5 TB 冷层对象存储从 AWS S3 转移到更便宜的提供商。比较所有 4 个云平台的归档层成本，计入 AWS 出站流量费用，并告诉我回本周期。” → AI 调用 compare_object_storage + compare_egress，计算一次性迁出成本与持续节省的费用。通常会发现“不要迁移——AWS Glacier Deep Archive 已经并列最便宜”。

“每月互联网出站流量为 50 TB 时，哪个平台最便宜？展示迁移后 3 年的节省金额。” → compare_egress → OCI 约 $340/月，AWS/Azure/GCP 约 $4,000/月。相差 12 倍，原因是 OCI 提供 10 TB 免费额度——这对内容/CDN 工作负载构成了实实在在的竞争优势。

“为 SaaS 工作负载配置 3 层架构：8 台 Web（4/16）、12 台 App（8/32）、4 台 DB（16/64）、5 TB 共享 SSD、50 TB HDD 批量存储、每月 10 TB 出站流量。比较所有 4 个云平台的全栈月度成本，采用多可用区和 1 年承诺。” → AI 串联调用 compare_workload + compare_egress，应用多可用区倍率（计算资源 ×2）和承诺折扣。

你将获得：可追溯到公开目录的美元金额、由 AI 解释的权衡、回本周期，以及“不要这么做”这类建议，避免糟糕的迁移在发生前就被叫停。不用点击控制台。无需在三个定价计算器之间来回切换。也不用担心 FinOps 电子表格在新 SKU 发布后立即过时。

---

安装

推荐（自动配置）：

pip install cloudprice-mcp
cloudprice-mcp setup     # auto-configures every detected MCP client, asks Y/N before writing

然后彻底重启已配置的客户端。每个客户端中都会出现 10 个工具。完成。

信任度选项：

命令	使用场景
cloudprice-mcp setup	默认选项——检测所有已安装的客户端，显示计划，并询问一次是否继续
cloudprice-mcp setup --yes	跳过提示（CI / 脚本）
cloudprice-mcp setup --client copilot	配置指定客户端（可重复使用：--client copilot --client cursor）
cloudprice-mcp setup --all	配置所有已知客户端，即使未检测到也会配置
cloudprice-mcp setup --force	刷新现有条目——升级或更换 Python 后很有用
cloudprice-mcp setup --dry-run	显示每个客户端的差异，但不写入
cloudprice-mcp setup --print-config	将每个客户端的 JSON 输出到 stdout，供手动粘贴
cloudprice-mcp setup --list-clients	检测表——列出已知客户端以及本系统上已安装的客户端
手动编辑	不信任运行新工具——请参阅 INSTALL.md 中各客户端对应的章节

如果遇到问题，请运行：

cloudprice-mcp doctor

它会准确指出问题所在（Python 版本、安装路径、配置位置、工具注册、命令路径有效性）。

需要 Python 3.10+。

Windows / macOS / Linux 手动安装的分步说明，请参阅 INSTALL.md。

提供的工具

单规格查询（v0.1）

工具	功能
get_aws_price	查询 EC2 实例类型 → vCPU、内存、每小时及每月美元价格（us-east-1）
get_azure_price	查询 Azure VM 规格 → vCPU、内存、每小时及每月美元价格（eastus）
get_gcp_price	查询 GCP Compute Engine 机器类型 → vCPU、内存、每小时及每月美元价格（us-east1）
compare_clouds	根据目标规格（vCPU + GB），返回 AWS / Azure / GCP / OCI 中最匹配且最便宜的 SKU，按月度成本排序，并附上节省金额摘要

批量对比 + 工作负载对比（v0.2）

工具	功能说明
compare_compute_inventory	批量对比一组计算工作负载（每项包含 vCPU / 内存 / 数量 / 小时数 / 可选 OS 磁盘），覆盖全部 4 家云服务商。返回每行的匹配结果、各云服务商的总费用以及最便宜的云服务商。
compare_storage_inventory	批量对比一组块存储卷（每项包含容量 / 磁盘类型 / 数量），覆盖全部 4 家云服务商。
compare_workload	在一次调用中组合计算和块存储。对应双表规模估算工作簿（计算 BoM + 存储 BoM）。可选的 commitment 叠加选项可应用 1 年（30%）或 3 年（50%）计算折扣。

对象存储 + 托管 Postgres（v0.3）

工具	功能说明
compare_object_storage	批量对比 AWS S3 / Azure Blob / GCP Cloud Storage / OCI Object Storage 上的对象存储存储桶。每行指定容量（capacity_gb）和层级（hot / cool / archive）。明确显示 OCI Always Free 20 GB 层级——在 OCI 热层级中，容量 ≤ 20 GB 时费用为 $0/月。
compare_postgres_database	批量对比 AWS RDS / Azure Database for PostgreSQL / GCP Cloud SQL / OCI Database with PostgreSQL 上的托管 PostgreSQL 定价。每行指定 vCPU / 内存 / 存储（storage_gb）。存储费用与计算费用分开计算。

FinOps 决策工具集（v0.6，新增）

四种命名工具，可一次调用将跨云定价转化为 FinOps 决策，而不必让 AI 串联三个或更多工具。四种工具都接受结构化工作负载清单（计算 / 存储 / 对象存储 / 数据库 / 出站流量）以及特定工具的选项。

工具	功能说明
assess_migration	“我应该迁移吗？”——预测各目标云服务商的费用、节省比例、一次性出站流量费用和回本月数。根据 3 年 TCO 返回排序后的建议，并附上触发的注意事项（例如：“OCI A1.Flex 使用 ARM——请确认 AMI 兼容性。”）。
optimize_commitment	“我的 RI / SP / CUD 何时回本？”——提供六种承诺方案（none / 1yr_no_upfront / 1yr_all_upfront / 3yr_no_upfront / 3yr_partial_upfront / 3yr_all_upfront），并列出每种方案的月度费用、预付金额、3 年总费用、节省比例和回本月数。推荐 3 年 TCO 最低的方案。
compare_total_cost_of_ownership	“我在各云服务商上的 3 年费用是多少？”——基于计算 / 存储 / 出站流量的线性同比增长假设进行多年预测。返回各云服务商的累计 TCO、逐年明细以及对主导变量的敏感性分析。这类数字可用于董事会演示文稿。
find_egress_arbitrage	“数据传输方面如何节省费用？”——仅针对出站流量的专用 assess_migration。突出显示 OCI 的 12 倍优势：每月 50 TB 互联网出站流量，在 OCI 上约为 $340，而其他超大规模云服务商的费用超过 $4,000。

四种工具都接受 WorkloadInventory 格式，该格式对应一个分为 4 个部分的规模估算表（计算 / 存储 / 对象存储 / 数据库 / 出站流量），并支持可选的 commitment、multi_az 和 one_time.data_to_migrate_gb 字段。输出包含 honest_gaps——明确列出每种工具未建模的内容，避免用户过度信任结果。

出口流量 + Multi-AZ + 更完善的快照（v0.5，新增）

工具 / 功能	功能说明
compare_egress	比较所有 4 家云服务商的数据传输成本。包含两个方向：out_to_internet（阶梯定价，含免费额度抵扣 — AWS/Azure 为 100 GB，OCI 为 10 TB）和 inter_region（同一云服务商内的跨区域传输）。每月互联网出口流量为 50 TB 时，OCI 比几家超大规模云服务商便宜约 12 倍 — 这为内容 / CDN 工作负载带来了实实在在的优势。
compare_workload multi_az: true	新增标志，可将每家云服务商的计算资源总量加倍，以模拟 Multi-AZ / HA 部署（在两个可用区之间同步副本）。存储仍按 1 倍计算，因为对象 / 块存储通常已按基础价格实现跨可用区冗余。
snapshot_incremental_factor	存储和 OS 磁盘快照新增的逐行字段。默认值 1.0 保留 v0.2 的上限估算。设为 0.3 可模拟典型的实际增量去重效果，设为 0.0 则可将快照排除在总价之外。

示例：compare_workload 输入格式

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

快照（v0.2.1）

存储行中的 snapshot_count 和计算行中的 os_disk_snapshot_count 现在会计入价格。每家云服务商各磁盘类型的快照费率均已打包（AWS/Azure 约为 $0.05/GB-mo，GCP 约为 $0.026/GB-mo）。

注意 — 上限估算： 快照价格按 snapshot_per_gb_month × full_capacity × quantity × snapshot_count 计算。实际快照是增量快照（仅包含已更改的区块），因此实际成本通常为本模型估算值的 20-50%。如果快照在总成本中占比较高，请使用云服务商的计算器获取更精确的估算。

存储行中的 iops 和 throughput_mbs 仍会作为元数据接受 — 此版本不会使用它们进行 SKU 匹配。

预留实例 / Savings Plan 估算器（v0.2.1）

compare_workload 接受可选的 commitment 参数：

值	计算折扣	使用场景
none（默认）	0%	仅按需使用
1yr_no_upfront	30%	1 年期 AWS Savings Plan / Azure RI / GCP CUD（无需预付）
3yr_partial_upfront	50%	3 年期，部分预付 — 适用于“我们清楚自己的基准用量”这类典型方案

存储和快照不享受折扣（大多数云服务商不会提供有意义的存储承诺折扣）。折扣档位采用保守的平均值 — 实际费率取决于实例系列、付款选项和区域。

定价数据

价格以精选数据集的形式打包，涵盖 4 家云服务商的常见 SKU：

• 计算（AWS / Azure / GCP / OCI 的约 50 种 VM SKU，包括 OCI A1 Always Free + A2 Arm Ampere + E5 Flex）
• 块存储（每家云服务商均包含 SSD + HDD）
• 对象存储（每家云服务商均包含 Hot / Cool / Archive 层级，包括 OCI Always Free 的 20 GB）
• 托管 PostgreSQL（RDS / Azure DB / Cloud SQL / OCI Database with PostgreSQL）

每周自动刷新（v0.7+）

每周日，GitHub Action 都会调用各云服务商的公开定价 API，刷新随附的目录：

• AWS — 定价 API（通过 boto3，使用 OIDC 进行身份验证）
• Azure — 零售价格 API（公开，无需身份验证）
• OCI — 公开定价 API（公开，无需身份验证）
• GCP — Cloud Billing Catalog API（通过 API 密钥 — GCP_API_KEY 环境变量）。在 v0.8.0 中添加
• Bedrock LLM 令牌价格 — AWS Pricing API 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/输出令牌费率（Claude 4 Opus/Sonnet、Claude 3/3.5 Haiku、Llama 3.1/3.3、Mistral Large 2、DeepSeek R1）
• 扩展 LLM 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 2000 种（模型、提供商）组合，涵盖 Together AI、Fireworks、Groq、Replicate、Perplexity、区域版 Bedrock/Azure 变体及较旧的模型版本。为 lookup_extended_model_pricing 工具提供支持。经过人工审核的精选价格（compare_token_pricing）与扩展目录（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 — 每个曾发布过的 JSON 文件都保存在仓库中。历史档案采用 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使用了哪些价格。

公开价格历史数据集（v0.7.1+）

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 “5 月份 m5.xlarge 的价格是多少？” — AWS Calculator 和 GCP Estimator 都无法回答，因为它们的页面始终显示当前价格。

通过 CLI 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 v0.7.0 自动刷新修正了先前 OCI 目录中的一项人工整理错误所致 — 这证明了自动刷新机制确实有效。

通过两个新的 MCP 工具从 AI 助手查询历史记录：

• get_price_history(cloud, sku, since?) — 完整时间序列和变更统计
• list_tracked_skus(cloud?, since?) — 我们有历史记录的所有（云服务商、SKU）组合

这项功能可解锁以下实际问题：

“AWS m5.xlarge 在最近一个季度价格有变化吗？” → AI 调用 get_price_history，返回包含起始/结束价格及变化百分比的时间序列。

“列出自 1 月以来所有发生价格变动的多云 SKU。” → AI 调用 list_tracked_skus(since="2026-01-01")，返回每个 SKU、最新价格及变化情况。

跨提供商 LLM 令牌定价（v0.12.0+）

令牌成本是 2026 年增长最快的 FinOps 支出项——而且没有人公开比较不同提供商的价格。同一个模型通常可通过多个提供商使用，价格却各不相同（Claude 可通过 Anthropic / Bedrock / Vertex 使用；GPT 可通过 OpenAI / Azure OpenAI 使用；Llama 可通过 Bedrock 使用）。

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

涵盖 8 个提供商的 19 个模型：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。

它能解答的实际问题：

“对于每月输出量为 10M、输出密集型且需要支持 200K 上下文的聊天，哪个模型最便宜？” → AI 调用 compare_token_pricing，传入用量和可选的 model_family 筛选条件，返回所有可用模型与提供商组合的月度成本排名。

“Claude 应该用 Anthropic API 还是 Bedrock？” → compare_token_pricing(model_id="claude-4-sonnet") 显示两者的单令牌价格相同，但 Anthropic API 提供的 cache_read 费率便宜 10 倍，而 Bedrock 未公布此费率。对于大量使用缓存的工作负载，Anthropic 更划算。

多云 GPU 定价（v0.11.0+）

这是增长最快的云成本类别——而且没有人公开比较不同云服务的价格。

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

涵盖全部 4 家云服务商的 NVIDIA T4、A10、A10G、L4、L40S、V100、A100、H100。返回：

• 绝对小时价格最低者——每家云服务商中符合条件的 SKU 里最便宜的一个
• 单 GPU 性价比最高者——有时来自另一家云服务商（例如，OCI 的 BM.GPU4.8 单 GPU 价格最低，但只以 8x 规格出售，因此当 gpu_count=1 时，Azure/GCP 的绝对价格排名更靠前）
• 过度配置标记——当唯一符合条件的 SKU 所包含的 GPU 数量超过请求数量时
• GPU 显存——区分 A100 40GB 和 80GB（同属 gpu_type 字段）

OCI H100 的结果确实如此：使用 8x H100 时，相同硬件的价格比 AWS/Azure 便宜约 19%。

成本漂移哨兵（v0.9.0+）

这是从查询工具向Agent 能力的转变。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“我批准时的成本，现在还是这样吗？”*

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"])

按设计保持无状态——无需服务或数据库。基准 JSON 可放在任意位置：IaC 仓库中的文件、S3、Slack 私信，或其他任何地方。每次调用都是 (catalog, workload, baseline) 的纯函数。

主要特性：

• 受工作负载哈希保护——如果更改工作负载规范，哈希将不匹配，工具会生成新的基准，而不是给出误导性的漂移报告
• SKU 级别的归因——漂移报告会查询价格历史数据，并显示从基准到现在变动最大的 SKU
• 可配置阈值——默认值为 5%；传入 alert_threshold_pct=N 即可调整

即插即用的 GitHub Action 模板位于 examples/cloudprice-watch.yml——将其放入任何包含 workload.json 的 IaC 仓库，成本出现漂移时就会自动创建 GitHub issue。基准会提交到仓库，便于审计历史记录。

碳感知 FinOps（v0.10.0+）— 每项工作负载的 kg CO2e，与 USD 并列

唯一一款能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（并在每个响应中披露）：

• 各云服务提供商的 PUE，数据来自各提供商公开的可持续发展报告
• 各区域的电网碳强度，数据来自公开排放数据（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 的功耗等级——ARM SKU（Graviton、Ampere、Axion）的每 vCPU 功耗按低约 30% 建模
• 每家云服务提供商的两种碳排放数值：基于地域的（电网）和基于市场的（可再生能源匹配后的剩余排放）——同时呈现，以便审计人员查看两种视角

未建模的内容（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
• 按使用时段变化的电网排放——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

由此可以解答的实际问题：

“对于 4 vCPU / 16 GB、6 个实例，碳排放最低的云服务提供商是哪家？” → AI 调用 compare_carbon_footprint，返回按排名排列的各云服务提供商每月 kg CO2e。

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

未建模的内容（实际 TCO 的关键因素）

• ✅ 出口流量 / 数据传输 — 已在 v0.5 中建模（compare_egress）
• ✅ 多可用区 / 高可用副本 — 已在 v0.5 中建模（在 compare_workload 上设置 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（应用统一的阶梯折扣，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 支持 us-west / eu-west）——路线图
• 基于 IOPS 的存储匹配（仅按容量匹配）——路线图
• 备份存储费用（有些云服务免费，有些则收费）——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（类似 Glacier 的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

这些都是已纳入路线图的事项。使用 cloudprice-mcp 获取按需定价基准；在依据数据做出重大决策前，请使用各云服务提供商自己的计算器完成最终 TCO 分析。

**实时运行时定价（而不仅是每周刷新）**正在考虑纳入 v0.8——在 MCP 工具调用时直接获取价格，而非从随附目录读取。取舍：速度较慢（每次使用工具都要进行网络调用）、增加 GCP 身份验证要求，并且无法离线使用。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；实时模式属于可选功能。

本地开发

git clone https://github.com/Albaker-Group/cloudprice-mcp.git
cd cloudprice-mcp
pip install -e ".[dev]"
pytest

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 上运行着一个真实的三云组合，每月费用约为 $1.80；OCI 将于 2026 年加入，成为第 4 家云服务提供商。