GreenPick

GreenPick

在部署之前，编写更环保、成本更低的云基础设施。

一款设计阶段的可持续性协作助手，以 MCP 服务的形式运行于你的氛围式编程环境（Cursor / Claude Code / Kiro）中。询问它应该部署到哪里、何时运行作业，或如何调整资源规格，它会在几秒内于编辑器中给出坦诚的碳排放 + 成本 + 延迟权衡。（它会在你提问时响应；基础设施代码变更时自动提醒已列入路线图。）

状态：可用——15 个工具。 支持美国（EIA-930）和欧盟（ENTSO-E）的实时碳排放数据、跨云成本对比（由 Vantage 刷新）、各维度红／黄／绿评级、碳感知调度与日前预测、GPU 训练和 LLM 推理的碳排放、调整资源规格、服务模式及数据本地化／驻留检查——以上功能均已推出。离线或没有 API 密钥时，会回退到明确标注的模拟数据。

同一项 40 GPU 小时的训练任务，在斯德哥尔摩排放约 0.7 kg CO₂，在悉尼则约为 19 kg——仅区域选择就造成约 30 倍的差异。向 GreenPick 提问，它会在你仍处于编辑器中、提交之前，揭示这一差异（以及成本和延迟方面的权衡）。

▶ 观看 5 分钟演示——三个场景，包含真实工具输出（训练任务选址、出口流量反噬、预测）。

功能

• 🧮 调整资源规格，同时降低成本 和 碳排放——这是 FinOps 的收益，也是碳排放方面的双重收益。节省成本是运行它的理由；减碳则是额外收获。
• ⏱ 碳感知调度——在电网最清洁时运行可延迟的作业（ETL、批处理、训练），支持当前或日前调度。每个周期性作业都需要做出这个决策。
• ⚡ GPU 训练和 LLM 推理的碳排放——估算运行的碳足迹，并找出更环保的运行地点和时间；选择规模和部署位置，才能真正改变排放数字。
• 🌍 更环保的区域选择——按碳排放排序，同时展示成本和延迟方面的权衡，而非将其隐藏。
• 🛡 反噬防护——当更环保的选择因出口流量而得不偿失，或触及数据驻留限制时发出提示。
• 🔌 美国和欧盟的实时电网数据，并提供坦诚的模拟数据回退——无需 API 密钥即可开始使用。

目录

• 为何开发
• 它是什么／不是什么 · 它有何不同
• 范围
• MCP 工具
• 数据来源
• 坦诚说明局限
• 快速开始
• 常见问题
• 参与贡献
• 许可证

为何开发

同一项 Web 服务在不同区域运行时，产生的 CO₂ 会大不相同，因为各地电网的碳强度不同。现有工具要么只对区域进行抽象排名，要么等部署之后才测量碳排放。GreenPick 会在你做出选择时进行分析，并告诉你更环保的选择会带来怎样的延迟和成本——让你在充分了解情况后决定接受还是拒绝。

它是什么 / 不是什么

• **是：**为开发者在构建过程中选择云区域提供方向性的“更绿色选择”建议，并说明其中的权衡。
• **不是：**经过审计的碳核算、ESG/Scope-2 报告，也不是实时调度器。GreenPick 不声称符合 GHG-Protocol 或 ISO 标准——这些是付费数据供应商（Electricity Maps、WattTime）提供的服务。GreenPick 用于决策，而非披露。

与现有方案的区别

• 测量工具（Cloud Carbon Footprint、CodeCarbon、Kepler）会在你部署后，报告已经排放的碳。GreenPick 则在选择之前提供建议。
• 云服务商自有工具（AWS CCFT、Azure、Google 的“Low CO₂”区域标签）只覆盖一家云服务商，而且只显示碳排放。GreenPick 支持跨云比较，并权衡碳排放、成本和延迟，让你看到其中的取舍，而不只是一个绿色徽章。
• CI/CD 碳排放工具在合并时针对流水线任务发挥作用。GreenPick 更早介入，在编辑器中覆盖更多决策（调度、规格调整、训练/推理、出口流量和数据驻留）。
• 电网数据 SDK（Electricity Maps、WattTime、GSF Carbon Aware SDK）是构建模块；GreenPick 则是在此类数据之上构建的决策层。

跨云、兼顾碳排放 + 成本 + 延迟、在设计时于编辑器中提供建议，并配有防反效果保护——这一组合正是其他方案都未能实现的部分。

范围

• 服务商：AWS、GCP、Azure 区域。
• 工作负载：长期运行的Web/API 服务、GPU 训练任务，以及可延后任务（ETL / 批处理 / 备份）——分别提供部署位置和执行时间建议。
• 碳排放 = 按区域划分的电网碳强度（方向性指标，反映某一时点；美国和欧盟提供实时数据），以及用于前瞻性调度的次日预测（欧盟）。
• 成本 = 计算 + 出口流量的粗略估算（确定性的静态表格，可在不同云之间公平比较；绝不由 LLM 臆造）。
• 延迟 = 到指定用户位置的地理估算值。
• 效率优化手段：更绿色的实例系列（每瓦性能）、规格调整（同时考虑成本和碳排放），以及用于跟踪应用长期表现的碳指标框架。
• 防护措施：检查数据本地性 / 出口流量是否产生反效果，并标记跨司法管辖区的数据驻留问题。
• **仅使用免费数据。**不提供基于流量追踪的消耗核算；碳排放预测仅表示相对趋势，而非绝对值。

路线图：数据格式 / 引擎效率建议、次国家级电网区域、CI/CD 集成。 参见 docs/user-questions-backlog.md。

MCP 工具

共 15 个工具，按使用目的分组。

选择区域

工具	功能
compare_regions_tri_axis	按碳排放对候选区域排序，并权衡成本和延迟；推荐一个选择，各指标以 R/Y/G 评级。传入 regions，即可只对你实际考虑的区域排序。
greener_alternative_to	“你选择了 X——在延迟增加不超过 +N ms 的条件下，最绿色的区域是 Y（碳排放 −Z%，成本 Δ）。”这是核心提示。
region_carbon_now	查询某区域当前的 gCO₂/kWh，并显示来源、时间戳和数据新鲜度。

安排任务时间（调度）

工具	功能
cleanest_hours_to_run	找出近期最清洁的时段，用于安排可延后的任务（ETL、备份、训练），并给出减排百分比。传入 window_hours，指定已知任务时长，即可找出最清洁的连续时段及其开始时间。
cleanest_time_of_day	对于周期性任务（如每晚运行的批处理）：根据近期多个日期的平均值，找出该区域一天中最清洁的时段。反映每日规律，不是 7 天的每周规律。
carbon_forecast	前瞻预测：根据欧盟次日风能 + 太阳能预测（ENTSO-E），找出即将到来的最清洁时段。提供相对排序；美国 / 未覆盖区域会退回到近期历史规律。

估算工作负载的碳排放

工具	功能
estimate_workload_carbon	估算某个区域中工作负载每月的 CO₂ 千克数（这是估算值，不是测量值）。
estimate_training_carbon	估算 GPU 训练运行的碳排放（基于 TDP 的能耗 × 实时电网数据），并提供更绿色的地点（区域排名）和时间（最清洁时段）——这两个因素叠加后，可优化可移植且可延期的训练任务。
estimate_inference_carbon	按模型规模类别 × 输出 token 数 × 请求数（× 实时电网数据），估算 LLM 推理工作负载的能耗和 CO₂ 排放。结果为低至高的范围；缩小规模类别是最有效的杠杆。适合自托管；并非针对具体模型的排行榜。

效率与防护措施

工具	功能
greener_instance_family	通过每瓦性能指标，在同一区域中找到更绿色的同等规模实例系列（更新一代或 ARM Graviton 级别的实例可用更少能耗完成相同工作）。
rightsizing_check	调整实例规模（FinOps 最有效的优化手段），并提供对应的碳排放数据：如果配置过度，缩小规模可同时降低成本和碳排放 → 给出适当规模的目标配置，以及每月节省的美元和 CO₂ 千克数。
data_locality_egress_check	当计算任务远离数据所在位置可能适得其反时发出警告：提供方向性的出站流量费用和粗略的传输碳排放数据，并判断迁移到更绿色区域是否仍有净收益。
serving_pattern_advice	面向用户的平台：应从一个区域还是多个区域提供服务？综合考量按流量加权的延迟和碳排放，以及多区域数据同步的出站流量费用和跨司法辖区的数据驻留问题。

测量与理解

工具	功能
carbon_metric_scaffold	生成可粘贴的 Python 埋点代码，让应用随时间报告自身的估算碳排放——可观测代理指标 × GreenPick 的功耗模型 × 实时电网数据。用于自行跟踪，结果仅供参考；不是运行时计量器。
explain_methodology_and_limits	说明所用假设，以及 GreenPick 明确不作出的承诺。

数据来源（免费；可通过统一接口替换）

• EIA-930（美国平衡主管机构）和 ENTSO-E（欧盟区域）——实时电网碳排放数据， 按区域自动路由。两者也会根据近期每小时历史数据，提供 cleanest_hours_to_run。
• Mock——确定性离线默认数据；会清楚标记为 quality: "mock"，避免被误认为真实读数。缺少密钥或区域不在覆盖范围内时使用。
• 成本：使用带日期的静态定价表（data/pricing.json），通过 scripts/refresh_pricing.py 从 Vantage 实时价格更新，并对三家云服务商采用统一的匹配方法。
• 实例系列效率：方向性的每瓦性能乘数（data/instance_families.json）。
• 延迟：根据区域坐标与用户位置之间的大圆距离估算。

在 .env 中设置 EIA_API_KEY 和 ENTSOE_TOKEN（均免费）以获取实时碳排放数据；GREENPICK_CARBON_SOURCE 用于选择数据源（auto 会将美国请求路由至 EIA、欧盟请求路由至 ENTSO-E，其余使用 mock）。

数据层采用可替换的仓库模式（默认使用 MOCK，支持离线运行）。这里不会凭空编造数字：LLM 负责撰写理由说明，代码负责提供数值。

明确的局限性（已内置于工具中）

数据仅供参考，未经审计。区域到电网分区的映射为近似值。碳排放数据是某一时点的数据，并非按流量追踪的实际消耗。成本仅为大致估算，不是报价。延迟为地理距离估算。“更绿色”假设电网碳强度占主导因素，不考虑隐含碳、硬件碳和服务提供商的可再生能源证书。

快速开始

# Python 3.11+
pip install greenpick          # from PyPI
python -m greenpick            # run the MCP server (stdio)

也可以从源码安装，用于开发（可编辑安装 + 测试）：

git clone https://github.com/bithug01/greenpick.git
cd greenpick
pip install -e ".[dev]"
cp .env.example .env            # defaults to mock data — works offline
python -m greenpick             # run the MCP server (stdio)
pytest                          # run tests

要将其连接到 MCP 客户端（例如 Kiro / Claude Code / Cursor），请将客户端指向此目录下的 python -m greenpick。如需切换数据源，请参阅 .env.example。

常见问题

我需要 API 密钥吗？ 不需要——GreenPick 开箱即用，并运行明确标注的模拟数据。若要获取实时碳数据，请在 .env 中设置两个免费的密钥（美国使用 EIA_API_KEY，欧盟使用 ENTSOE_TOKEN），并设置 GREENPICK_CARBON_SOURCE=auto。没有这些密钥也能正常运行；只是会显示 quality: "mock"。

为什么是“趋势性”数据，而不是经过审计的数据？ 因为它用于设计阶段的决策，而不是合规报告。“斯德哥尔摩比悉尼清洁约 30 倍”足以让你在几秒内选定区域——而认证数据属于另一项工作，需要使用其他工具（Electricity Maps、WattTime）。GreenPick 用于决策，而非披露，并且每个工具的限制说明中都会明确这一点。

我的云服务商说该区域已经 100% 使用可再生能源——那区域真的重要吗？ 这是基于市场的核算方式（服务商按年通过可再生能源证书／PPA 匹配用量）。GreenPick 使用基于位置的核算方式——也就是你实际取电的电网在每个时段的碳强度。这两种方式都合理（GHG Protocol 要求同时采用两者），回答的是不同问题：基于市场的核算关注采购声明；基于位置的核算关注你的工作负载此刻实际依赖的电网。GreenPick 有意采用基于位置的核算，因为这才是部署位置／时间选择真正会影响的因素——你无法改变服务商年度 REC 组合，但可以选择更清洁的电网或时段。我们有意忽略 REC，并非疏忽。

没有实时数据的区域会怎样？ 系统会回退到近期历史模式或模拟数据，并标明所用数据类型——绝不会把回退数据显示为实时读数。若没有日前数据源（例如美国），预测也会回退到历史数据，并明确标注。

它能按碳排放对 Claude、GPT 和 Llama 排名吗？ 不能，这是有意为之。estimate_inference_carbon 按模型大小类别（便于自托管）工作，而不是生成指定模型的排行榜——供应商不会披露足以支持此类可靠排名的服务细节。

我该怎么向它提问？ 你不需要直接调用工具——只需用自然语言与 MCP 客户端对话（“哪里是运行这个任务最绿色的区域？”），客户端就会调用相应工具。请参阅演示，了解哪些问题会触发各项工具。

贡献

欢迎以任何形式贡献——提交错误报告、修正数据源、完善说明，或贡献代码。简要说明请参阅 CONTRIBUTING.md。GreenPick 唯一的要求是：保持诚实且只提供趋势性判断——不编造数字，不提供数据无法支撑的精确度（这正是整个项目坚持的原则）。

许可证

MIT——请参阅 LICENSE。© 2026 Data Science Advisers, LLC.