关于 Model Price Radar
Model Price Radar 是面向 LLM 使用者和成本分析者的 MCP 服务,可查询 OpenRouter 模型目录、估算工作负载费用并追踪自 2023 年以来的月度价格历史。它还支持按能力筛选模型及比较提供商报价,无需 API 密钥。
主要功能
- 01搜索模型能力与价格
- 02估算并排序工作负载费用
- 03追踪模型价格历史
- 04汇总价格变动
- 05比较不同提供商的报价
适用场景
- 01筛选满足能力与上下文要求的模型
- 02估算多种模型的月度调用成本
- 03查看模型价格随时间的变化
- 04比较同一模型在不同提供商的价格
MCP 相关
作为 MCP 服务,它向 MCP 客户端提供模型搜索、成本估算、价格历史、价格变化和提供商比较工具,并附带选型与月报提示词。
配置
本地服务的配置在各客户端中通用,复制后粘贴到客户端的 MCP 配置文件即可。
工具
5收录的工具列表 · 更新于 2 周前
| 参数 | 类型 | 必填 | 说明 |
|---|---|---|---|
| sort | enum | 否 | 排名方式。cheapest | newest | context |
| limit | integer | 否 | |
| needs | array | 否 | 所需能力,例如 ['tools', 'vision']。 |
| query | any | 否 | 模型 ID 或名称中的词语,例如 'claude'、'llama 70b'、'qwen coder'。 |
| min_context | any | 否 | 最小上下文窗口(以 token 为单位),例如 128000。 |
| max_input_price | any | 否 | 每 100 万个输入 token 的最高价格(美元)。 |
| response_format | enum | 否 | 'markdown'(默认)或 'json'。markdown | json |
| max_output_price | any | 否 | 每 100 万个输出 token 的最高价格(美元)。 |
详细介绍
model-price-radar-mcp
每个 LLM 今天的费用是多少?价格变便宜了吗? 一个基于 OpenRouter 公开模型目录(约 450 个模型)的 MCP 服务,还包含自 2023 年以来的月度价格历史,该历史由 Wayback Machine 中存档的目录副本重建而成。向 Claude(或任何 MCP 客户端)询问能完成某项工作的最便宜模型、某个工作负载的费用,或某个模型的价格变化情况。
无需 API 密钥。一行即可安装。
You: Did LLM prices really go down? Show me GPT-4o and DeepSeek Chat.
Claude: [model_price_history ×2, price_changes]
• GPT-4o: $5 / $15 per 1M tokens until Oct 2024, $2.50 / $10 since Nov 2024.
• DeepSeek Chat changed price 12 times since mid-2024; input went from
$0.14 to $0.26 per 1M.
• Not everything gets cheaper: since Oct 2025 older open models went up
as cheap hosts dropped them, e.g. Qwen 2.5 Coder 32B input $0.04 → $0.66.
根据 2026 年 10 月 1 日的实际工具输出汇总。

为什么要用
| 你想了解 | 不用它 | 使用 model-price-radar |
|---|---|---|
| 支持工具调用、视觉和 200k 上下文的最便宜模型 | 翻看定价页面 | find_models(needs=["tools","vision"], min_context=200000) |
| 5 个模型每月调用 100k 次的费用 | 电子表格 | estimate_cost 会为它们排序,并附带“× 最便宜”列 |
| 这个模型的价格变过吗? | 没人保留历史记录 | model_price_history 提供模型出现以来的历史 |
| 本季度 LLM 定价有哪些变化 | price_changes 列出降价、涨价和新免费模型 | |
| 哪家服务提供商提供的 Llama 最便宜 | 比较多个标签页 | compare_providers 可比较量化方式和运行时间 |
工作原理
flowchart LR
C[Claude / MCP client] -->|tool call| S[model-price-radar-mcp]
S --> L[OpenRouter /api/v1/models: live prices, context, capabilities]
S --> E[OpenRouter /models/id/endpoints: per-provider prices]
S --> H[Bundled monthly history 2023→build date]
S --> W[Wayback Machine: months archived after the build]
L & H & W --> C
价格历史随软件包一同提供(18 KB,自 2023 年 7 月起每月一个快照),因此查询历史可即时获得结果;发布后存档的月份会按需从 Wayback Machine 获取并缓存。价格单位为每 1M 个 token 的美元;“混合”价格按每 1 个输出 token 对应 3 个输入 token 计算。
安装
需要 uv。
Claude Code
claude mcp add model-price-radar -- uvx model-price-radar-mcp
Claude Desktop / Cursor(claude_desktop_config.json / .cursor/mcp.json)
{
"mcpServers": {
"model-price-radar": {
"command": "uvx",
"args": ["model-price-radar-mcp"]
}
}
}
工具
| 工具 | 功能 |
|---|---|
find_models | 按名称、能力(工具调用、视觉、推理、结构化输出、音频、免费)、价格上限和上下文长度搜索实时目录 |
estimate_cost | 计算某个工作负载(每次调用的 token 数 × 调用次数)在最多 10 个模型上的费用,并按费用从低到高排序 |
model_price_history | 查询某个模型出现以来的每次价格变化,并显示变化百分比 |
price_changes | 从指定月份起,列出最大降价和涨价、新免费模型,以及新增或移除的模型 |
compare_providers | 比较不同服务提供商提供的同一模型:价格、上下文长度、最大输出长度、量化方式和运行时间 |
模型名称匹配较灵活:"claude sonnet" 会匹配最新的 Sonnet,"llama 3.1 70b" 会匹配 meta-llama/llama-3.1-70b-instruct。
提示词: cheapest_model_for(输入任务 → 推荐模型及其月度费用)、monthly_price_report。
试试这些
- “对于每天 50k 个支持工单,支持工具调用和视觉的最便宜模型是什么?请显示月度费用。”
- “自 2024 年以来,Claude 和 GPT 的价格有何变化?”
- “自 1 月以来,LLM 定价有哪些降价?”
- “哪家服务提供商提供的 Llama 4 Maverick 最便宜?采用什么量化方式?”
限制
- 价格来自 OpenRouter,通常与各服务提供商的标价相同。不包括批量和企业折扣。
- 历史记录每个存档月份只有一个数据点,因此变动日期只能确定为“这两个月之间”。
- 模型按 OpenRouter ID 跟踪;更名后的 ID 会开启一段新的历史记录。
无密钥 MCP 系列的一部分
开源 MCP 服务,每个服务回答一个市场问题,使用公开数据且无需 API 密钥。
| 服务 | 回答的问题 |
|---|---|
| review-miner-mcp | 用户讨厌竞争对手的哪些应用和游戏?(App Store + Steam 评论) |
| pricing-time-machine-mcp | SaaS 定价页面多年来发生了哪些变化?(Wayback Machine) |
| hn-hiring-trends-mcp | 科技公司正在招聘哪些技能?哪些技能正在兴起?(HN Who is hiring) |
| model-price-radar-mcp(本项目) | 每个 LLM 的费用是多少?价格是否有所下降?(OpenRouter + 价格历史) |
| launch-detector-mcp | 哪家公司即将推出新品?(证书透明度日志) |
开发
uv sync --extra dev
uv run pytest # offline tests with mocked OpenRouter + Wayback
uv run python scripts/smoke_live.py # live check
uv run python scripts/build_history.py # rebuild the bundled history (several minutes)
uv run --with rich python scripts/demo.py deepseek/deepseek-chat # terminal demo (vhs docs/demo.tape records the GIF)
MIT © Ali Altunar
评论
一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。