az-cost-optimize

Azure 成本优化

此工作流分析基础设施即代码（IaC）文件和 Azure 资源，以生成成本优化建议。它会为每个优化机会创建单独的 GitHub issue，并创建一个 EPIC issue 来协调实施，从而高效跟踪和执行成本节约计划。

先决条件

• 已配置并完成身份验证的 Azure MCP 服务
• 已配置并完成身份验证的 GitHub MCP 服务
• 已确定目标 GitHub 仓库
• 已部署 Azure 资源（IaC 文件可选，但有帮助）
• 在可用时，优先使用 Azure MCP 工具（azmcp-*），而不是直接使用 Azure CLI

工作流步骤

步骤 1：获取 Azure 最佳实践

操作：在分析前检索成本优化最佳实践 工具：Azure MCP 最佳实践工具 流程：

1. 加载最佳实践：
   • 执行 azmcp-bestpractices-get 以获取一些最新的 Azure 优化指南。这可能无法覆盖所有场景，但提供了基础。
   • 尽可能使用这些实践来指导后续分析和建议
   • 在优化建议中引用最佳实践，无论是来自 MCP 工具输出还是一般 Azure 文档

步骤 2：发现 Azure 基础设施

操作：动态发现并分析 Azure 资源和配置 工具：Azure MCP 工具 + Azure CLI 回退 + 本地文件系统访问 流程：

1. 资源发现：

   • 执行 azmcp-subscription-list 以查找可用订阅
   • 执行 azmcp-group-list --subscription <subscription-id> 以查找资源组
   • 获取相关资源组中所有资源的列表：
     • 使用 az resource list --subscription <id> --resource-group <name>
   • 对于每种资源类型，尽可能先使用 MCP 工具，然后回退到 CLI：
     • azmcp-cosmos-account-list --subscription <id> - Cosmos DB 账户
     • azmcp-storage-account-list --subscription <id> - 存储账户
     • azmcp-monitor-workspace-list --subscription <id> - Log Analytics 工作区
     • azmcp-keyvault-key-list - Key Vault
     • az webapp list - Web 应用（回退 - 没有可用的 MCP 工具）
     • az appservice plan list - App Service 计划（回退）
     • az functionapp list - Function 应用（回退）
     • az sql server list - SQL Server（回退）
     • az redis list - Redis Cache（回退）
     • ... 以及其他资源类型依此类推

2. IaC 检测：

   • 使用 file_search 扫描 IaC 文件："/*.bicep"、"/*.tf"、"/main.json"、"/template.json"
   • 解析资源定义以了解预期配置
   • 与已发现的资源进行比较，以识别差异
   • 记录 IaC 文件的存在，以便后续实施建议
   • 不要使用仓库中的任何其他文件，仅使用 IaC 文件。不允许使用其他文件，因为它不是事实来源。
   • 如果未找到 IaC 文件，则停止并向用户报告未找到 IaC 文件。

3. 配置分析：

   • 提取每个资源的当前 SKU、层级和设置
   • 识别资源关系和依赖关系
   • 在可用时映射资源使用模式

步骤 3：收集使用指标并验证当前成本

操作：收集使用率数据并验证实际资源成本 工具：Azure MCP 监控工具 + Azure CLI 流程：

1. 查找监控源：

   • 使用 azmcp-monitor-workspace-list --subscription <id> 查找 Log Analytics 工作区
   • 使用 azmcp-monitor-table-list --subscription <id> --workspace <name> --table-type "CustomLog" 发现可用数据

2. 执行使用情况查询：

   • 使用 azmcp-monitor-log-query 配合以下预定义查询：
     • 查询："recent" 用于近期活动模式
     • 查询："errors" 用于指示问题的错误级别日志
   • 如需自定义分析，请使用 KQL 查询：

   // CPU utilization for App Services
   AppServiceAppLogs
   | where TimeGenerated > ago(7d)
   | summarize avg(CpuTime) by Resource, bin(TimeGenerated, 1h)
   
   // Cosmos DB RU consumption  
   AzureDiagnostics
   | where ResourceProvider == "MICROSOFT.DOCUMENTDB"
   | where TimeGenerated > ago(7d)
   | summarize avg(RequestCharge) by Resource
   
   // Storage account access patterns
   StorageBlobLogs
   | where TimeGenerated > ago(7d)
   | summarize RequestCount=count() by AccountName, bin(TimeGenerated, 1d)
   

3. 计算基线指标：

   • CPU/内存使用率平均值
   • 数据库吞吐量模式
   • 存储访问频率
   • 函数执行速率

4. 验证当前成本：

   • 使用步骤 2 中发现的 SKU/层级配置
   • 在 https://azure.microsoft.com/pricing/ 查询当前 Azure 定价，或使用 az billing 命令
   • 记录：资源 → 当前 SKU → 预计月度成本
   • 在进入建议环节之前，计算出现实的当前月度总计

步骤 4：生成成本优化建议

操作：分析资源以识别优化机会 工具：使用已收集数据进行本地分析 流程：

1. 根据发现的资源类型应用优化模式：

   计算优化：

   • App Service 计划：根据 CPU/内存使用情况进行适当调整
   • Function App：低使用率时从 Premium → 消耗计划
   • 虚拟机：缩减过大的实例规格

   数据库优化：

   • Cosmos DB：
     • 对于波动性工作负载，从预配 → 无服务器
     • 根据实际使用情况适当调整 RU/s
   • SQL 数据库：根据 DTU 使用情况适当调整服务层级

   存储优化：

   • 实施生命周期策略（热 → 冷 → 归档）
   • 合并冗余存储账户
   • 根据访问模式适当调整存储层级

   基础设施优化：

   • 移除未使用/冗余资源
   • 在有益处实施自动缩放
   • 对非生产环境进行调度

2. 计算基于证据的节省金额：

   • 当前已验证成本 → 目标成本 = 节省金额
   • 记录当前配置和目标配置的定价来源

3. 为每条建议计算优先级得分：

   Priority Score = (Value Score × Monthly Savings) / (Risk Score × Implementation Days)
   
   High Priority: Score > 20
   Medium Priority: Score 5-20
   Low Priority: Score < 5
   

4. 验证建议：

   • 确保 Azure CLI 命令准确无误
   • 核实预计节省金额的计算
   • 评估实施风险和前提条件
   • 确保所有节省金额计算均有支持性证据

步骤 5：用户确认

操作：在创建 GitHub issue 之前展示摘要并获取批准 流程：

1. 显示优化摘要：

   🎯 Azure Cost Optimization Summary
   
   📊 Analysis Results:
   • Total Resources Analyzed: X
   • Current Monthly Cost: $X 
   • Potential Monthly Savings: $Y 
   • Optimization Opportunities: Z
   • High Priority Items: N
   
   🏆 Recommendations:
   1. [Resource]: [Current SKU] → [Target SKU] = $X/month savings - [Risk Level] | [Implementation Effort]
   2. [Resource]: [Current Config] → [Target Config] = $Y/month savings - [Risk Level] | [Implementation Effort]
   3. [Resource]: [Current Config] → [Target Config] = $Z/month savings - [Risk Level] | [Implementation Effort]
   ... and so on
   
   💡 This will create:
   • Y individual GitHub issues (one per optimization)
   • 1 EPIC issue to coordinate implementation
   
   ❓ Proceed with creating GitHub issues? (y/n)
   

2. 等待用户确认：仅在用户确认后继续

步骤 6：创建单独的优化 Issue

操作：为每个优化机会创建单独的 GitHub issue。为它们添加 "cost-optimization"（绿色）和 "azure"（蓝色）标签。 所需 MCP 工具：为每条建议使用 create_issue 流程：

1. 创建单独的 Issue，使用此模板：

   标题格式：[COST-OPT] [Resource Type] - [Brief Description] - $X/month savings

   正文模板：

   ## 💰 Cost Optimization: [Brief Title]
   
   **Monthly Savings**: $X | **Risk Level**: [Low/Medium/High] | **Implementation Effort**: X days
   
   ### 📋 Description
   [Clear explanation of the optimization and why it's needed]
   
   ### 🔧 Implementation
   
   **IaC Files Detected**: [Yes/No - based on file_search results]
   
   ```bash
   # If IaC files found: Show IaC modifications + deployment
   # File: infrastructure/bicep/modules/app-service.bicep
   # Change: sku.name: 'S3' → 'B2'
   az deployment group create --resource-group [rg] --template-file infrastructure/bicep/main.bicep
   
   # If no IaC files: Direct Azure CLI commands + warning
   # ⚠️ No IaC files found. If they exist elsewhere, modify those instead.
   az appservice plan update --name [plan] --sku B2
   

   📊 证据

   • 当前配置：[详细信息]
   • 使用模式：[来自监控数据的证据]
   • 成本影响：$X/月 → $Y/月
   • 最佳实践符合度：[如适用，引用 Azure 最佳实践]

   ✅ 验证步骤

   • 在非生产环境中测试
   • 验证无性能下降
   • 在 Azure Cost Management 中确认成本降低
   • 如需要，更新监控和告警

   ⚠️ 风险与考量

   • [风险 1 及缓解措施]
   • [风险 2 及缓解措施]

   优先级评分：X | 价值：X/10 | 风险：X/10

Step 7: Create EPIC Coordinating Issue

Action: Create master issue to track all optimization work. Label it with "cost-optimization" (green color), "azure" (blue color), and "epic" (purple color). MCP Tools Required: create_issue for EPIC Note about mermaid diagrams: Ensure you verify mermaid syntax is correct and create the diagrams taking accessibility guidelines into account (styling, colors, etc.). Process:

1. Create EPIC Issue:

   Title: [EPIC] Azure Cost Optimization Initiative - $X/month potential savings

   Body Template:

   # 🎯 Azure Cost Optimization EPIC
   
   **Total Potential Savings**: $X/month | **Implementation Timeline**: X weeks
   
   ## 📊 Executive Summary
   - **Resources Analyzed**: X
   - **Optimization Opportunities**: Y  
   - **Total Monthly Savings Potential**: $X
   - **High Priority Items**: N
   
   ## 🏗️ Current Architecture Overview
   
   ```mermaid
   graph TB
       subgraph "Resource Group: [name]"
           [Generated architecture diagram showing current resources and costs]
       end
   

   📋 实施跟踪

   🚀 高优先级（优先实施）

   • #[issue-number]：[标题] - 节省 $X/月
   • #[issue-number]：[标题] - 节省 $X/月

   ⚡ 中优先级

   • #[issue-number]：[标题] - 节省 $X/月
   • #[issue-number]：[标题] - 节省 $X/月

   🔄 低优先级（锦上添花）

   • #[issue-number]：[标题] - 节省 $X/月

   📈 进度跟踪

   • 已完成：Y 项优化中的 0 项
   • 已实现节省：$X/月中的 $0
   • 实施状态：未开始

   🎯 成功标准

   • 所有高优先级优化均已实施
   • 实现超过 80% 的预估节省
   • 未观察到性能下降
   • 成本监控仪表板已更新

   📝 备注

   • 随着 issue 完成，审查并更新此 EPIC
   • 监控实际节省与预估节省的对比
   • 考虑安排定期的成本优化审查

Error Handling

• Cost Validation: If savings estimates lack supporting evidence or seem inconsistent with Azure pricing, re-verify configurations and pricing sources before proceeding
• Azure Authentication Failure: Provide manual Azure CLI setup steps
• No Resources Found: Create informational issue about Azure resource deployment
• GitHub Creation Failure: Output formatted recommendations to console
• Insufficient Usage Data: Note limitations and provide configuration-based recommendations only

Success Criteria

• ✅ All cost estimates verified against actual resource configurations and Azure pricing
• ✅ Individual issues created for each optimization (trackable and assignable)
• ✅ EPIC issue provides comprehensive coordination and tracking
• ✅ All recommendations include specific, executable Azure CLI commands
• ✅ Priority scoring enables ROI-focused implementation
• ✅ Architecture diagram accurately represents current state
• ✅ User confirmation prevents unwanted issue creation