llmledger

llmledger-mcp

在工作过程中，随时询问 Claude（或 Cursor、ChatGPT 桌面版，或任何支持 MCP 的应用）该使用哪个 AI 模型，以及费用是多少。答案来自 llmledger： LiteLLM 的公开价格目录、Arena 按任务分类的评分，以及自 2023 年以来的所有价格变化和价格下次变动的可能性。每天重建。

安装

需要 uv。无需托管，也无需密钥：该插件在你的电脑上运行，并从 llmledger 页面读取每日数据，缓存一天；同时附带一份数据副本，供离线使用。

Claude Code：

claude mcp add llmledger -- uvx llmledger-mcp

Claude Desktop（Settings、Developer、Edit config）或 Cursor（.cursor/mcp.json）：

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

LiteLLM 代理可以通过其 MCP 网关，以使用相同命令的 stdio 服务形式，将其提供给整个团队。

相同的答案也以 Agent Skill 的形式提供，在使用前占用的 Agent 上下文要少得多，而且只需要 Python：仓库中的 skills/llmledger 文件夹， https://github.com/pouriaetab/llmledger/tree/main/skills/llmledger 在 Claude Code 中：/plugin marketplace add pouriaetab/llmledger，然后运行 /plugin install llmledger@llmledger。

你可以询问什么

工具	示例
suggest_for_project	“这个项目该用哪个模型和投入程度？”并附上起始提示词；pay 可以设为 claude 或 chatgpt，以便在同一套餐内比较
compare_models	“用于编码，Opus 5.5 和 Fable 5.1 哪个更好？Fable 什么时候更便宜？”
estimate_cost	“这三个模型每天处理 2,000 次调用，每次输入 10K 个 token、输出 1K 个 token，费用是多少？”；还可以提供 cached_tokens 和 cache_write_tokens，了解缓存能节省多少费用
find_models	“每百万个回答 token 低于 $10、评分最高且能读取图像的编码模型”；也可以提供 name，查询某个模型及所有列出该模型的服务商
price_history	“Claude Opus 5.5 的价格变过吗？近期再次变动的可能性有多大？”；提供 date 后可询问“3 月 1 日的价格是多少？”每次变动都会链接到其对应的 LiteLLM 变更
not_yet_priced	“Arena 上哪些新模型还没有价格？通常要等多久才会有价格？”
estimate_time	“通过 API 使用 Opus 5.5，每次输入 2K 个 token、输出 600 个 token，并发 4 个任务时，处理 5,000 次调用要多久？”根据你自己的运行记录估算
log_run	“我测了这次调用：输入 2,100 个 token、输出 640 个 token、耗时 9.2 秒”，也可以提供 promptfoo 结果文件；数据只保存在你的电脑上
forecast_job	“这是我 5,000 项测试中的 20 项 promptfoo 运行结果：整个任务在每个模型上的费用和耗时是多少？我该选哪个？”仅读取文件
local_or_cloud	“我该花 $2,000 买台电脑，在家运行 llama3.1:8b，还是继续使用 GPT-6.1，每月调用 30,000 次？”本地模型的速度根据你自己的运行记录估算，电费根据 EIA 数据或你的电价计算
price_my_usage	“这是我的 ccusage session --json（或 codeburn export -f json）文件：上个月的工作如果使用其他模型，各自会花多少钱？哪些模型能以更低成本保持质量？差距真实吗？”按每次会话当天的价格计算，采用适用于相应工作类型的 Arena 评分，为每次会话提供 95% 区间；仅使用 token 数量

此外还提供一个资源 llmledger://snapshot（数据日期和来源）以及一个提示词 pick_a_model。

重要提示

• 费用和评分均为估算值。Arena 评分反映的是人们更偏好哪些答案，并不代表哪些答案最适合你。套餐用量（Claude、ChatGPT）按套餐用量与 API 价格同步递减来估算，因为套餐没有公布各模型的用量限制。本内容不构成财务或采购建议。
• 工作量等级来自 LiteLLM；建议等级仅供参考。目前还没有开源项目衡量各工作量等级下每项任务的 token 用量。
• 目录中的许多价格变更是在修正错误条目，而非调整价格：在一个带标签的样本中，首次价格变更约有 10 次中的 6 次属于此类情况。price_history 会说明每次变更标记的含义（可能是修正、单位修正或撤销变更），并指出这类变更中有多少属于修正。
• 每个答案都会注明数据日期。当数据已有 3 天或更久时，答案会特别说明。
• price_my_usage 会根据你自己的 token 用量为其他模型估算价格；其他模型对同一项工作的 token 化方式略有不同（通常相差 10% 到 20%），回答长度也可能不同。对你使用过的模型进行比较时，会使用各模型各自处理过的会话，而这些会话并非相同的工作；答案会说明这一点。没有缓存价格的模型会按输入价格计算缓存 token，用量行中也会注明。
• 时间数据仅来自你自己的运行记录（以及样本中 forecast_job 的计时调用），始终同时提供常见耗时和较慢时的耗时。模型答对的频率是指其通过样本检查的比例，并附有 95% 范围；测试只有 20 项时，范围较宽，答案会说明何时无法区分两个模型的表现。
• 插件读取的内容：传给 suggest_for_project 的提示词只会用于计数并与词表匹配；promptfoo 结果文件（log_run、forecast_job）只会读取数字和名称（提供商 ID、延迟、token 计数、通过或失败），其中的提示词、答案和评分文本绝不会被传出或作为指令处理；ccusage 或 codeburn 导出文件（price_my_usage）只会读取模型名称、日期、会话 ID 和 token 计数，绝不会读取项目路径或文件名。计时运行数据只会以数字形式保留在你的计算机上。唯一的网络调用是每日下载 data.json。
• 将 LLMLEDGER_DATA 设置为本地的 data.json 或其他地址，即可使用你自己的副本。

数据与许可证

价格：LiteLLM 的 model_prices_and_context_window.json（MIT）。评分：Arena 排行榜 （CC BY 4.0）。电力数据：美国能源信息署的《Electric Power Monthly》 （公有领域）。价格历史和展望：llmledger（MIT）。 使用 FastMCP（Apache-2.0）构建。独立项目；与 BerriAI、LiteLLM 或 Arena 均无关联。