ComparEdge LLM Cost

Name: ComparEdge LLM Cost
Author: comparedge

โดย comparedgeรุ่น 1.0.0i★ –iรันบนเครื่อง

ชื่อใน registryio.github.imkemit-ops/comparedge-llm-cost

ติดตั้ง

ภาพรวม

คำอธิบายจากผู้ทำ (ภาษาอังกฤษตามต้นฉบับ)

Token cost math for LLM API calls: verified per-1M-token rates for 69 models, 17 providers.

สามเสาของ PopNx MCP

สามเรื่องนี้ไม่รวมเป็นคะแนนเดียว เพราะความเห็น การวัด และความนิยม เป็นคนละเรื่องกัน

เสียงผู้ใช้iยังไม่มีรีวิวรีวิวเปิดพร้อมระบบบัญชีในขั้นถัดไป
ผลตรวจเบื้องต้นของเราiผ่าน 0 จาก 1 ข้อตรวจจากข้อมูลที่เปิดอยู่ ยังไม่ได้สแกนโค้ด
การใช้งานiยังไม่ได้วัด★ –

ใช้ทำอะไรได้

ตัวนี้ยังไม่ได้เรียบเรียงเป็นภาษาไทย ด้านล่างคือข้อเท็จจริงที่เราอ่านจาก registry

การเชื่อมต่อ: รันบนเครื่อง
ช่องทาง (transport): stdio
หมวด: ค้นข้อมูลและความจำของ AI

ติดตั้ง

เลือกโปรแกรม AI ที่คุณใช้ แล้วคัดลอกค่าตั้งไปวาง

ก่อนติดตั้ง

ผลตรวจเบื้องต้น: ผ่าน 0 จาก 1 ข้อ
รันในเครื่องคุณด้วยสิทธิ์ของผู้ใช้คุณ (ไฟล์ อินเทอร์เน็ต แอปต่าง ๆ)
ทะเบียนไม่ได้ระบุ key ที่ต้องใส่

ต้องเตรียมก่อน

npmติดตั้ง Node.js (มีคำสั่ง npx) ในเครื่อง

คุณใช้แอปไหน

ClaudeClaude CodeCursorVS CodeChatGPT

เลือกแอปด้านบน เราจำไว้ให้ ครั้งหน้าปุ่มจะขึ้นว่า “ติดตั้งลง …”

เปิด Claude Desktop → Settings → Developer → Edit Config แล้ววางค่านี้ในไฟล์ claude_desktop_config.json

{
  "mcpServers": {
    "comparedge-llm-cost": {
      "command": "npx",
      "args": [
        "-y",
        "@comparedge/llm-cost-mcp"
      ]
    }
  }
}

พิมพ์คำสั่งนี้ใน Terminal

claude mcp add comparedge-llm-cost -- npx -y @comparedge/llm-cost-mcp

เปิดใน Cursor

หรือคัดลอกค่าตั้งเอง

วางในไฟล์ .cursor/mcp.json ของโปรเจกต์ หรือ ~/.cursor/mcp.json

{
  "mcpServers": {
    "comparedge-llm-cost": {
      "command": "npx",
      "args": [
        "-y",
        "@comparedge/llm-cost-mcp"
      ]
    }
  }
}

เบราว์เซอร์จะถามก่อนเปิดแอป จากนั้นแอปแสดงค่าตั้งให้ตรวจแล้วกดยืนยัน ช่อง key เว้นว่างไว้ให้คุณใส่เอง

เปิดใน VS Code

หรือคัดลอกค่าตั้งเอง

วางในไฟล์ .vscode/mcp.json ของโปรเจกต์

{
  "servers": {
    "comparedge-llm-cost": {
      "type": "stdio",
      "command": "npx",
      "args": [
        "-y",
        "@comparedge/llm-cost-mcp"
      ]
    }
  }
}

ตัวนี้รันในเครื่องคุณ แต่ ChatGPT ต่อได้เฉพาะ server บนอินเทอร์เน็ต ลองเลือกแอปอื่น

ตัวเลือกเก็บในคุกกี้บนเครื่องนี้ ไม่ต้องมีบัญชี

ค่าตั้งนี้สร้างจากข้อมูลใน registry ของผู้ทำ ถ้าไม่ตรงกับ README ให้เชื่อ README

ทำอะไรได้บ้าง

รันในเครื่องคุณ รายการเครื่องมือจะขึ้นในแอป AI หลังติดตั้ง

ผลตรวจเบื้องต้นi

เราตรวจจากข้อมูลที่ใครก็เปิดดูได้ ยังไม่ได้อ่านโค้ด ข้อที่ไม่เกี่ยวกับตัวนี้ไม่นับในตัวหาร · ตรวจเมื่อ 7 พ.ย. 2569

! ควรระวัง
ตัวตนผู้ทำตรงกับ repo
ผู้ลงทะเบียน (imkemit-ops) ไม่ใช่เจ้าของ repo (comparedge) อาจเป็นคนอื่นที่นำมาลงต่อ
… ยังไม่ตรวจ
ยังมีคนดูแล
ยังไม่ได้อ่านข้อมูล repo จาก GitHub
… ยังไม่ตรวจ
มีสัญญาอนุญาต (license)
ยังไม่ได้อ่านข้อมูล repo จาก GitHub
– ไม่เกี่ยว
endpoint ตอบ
ตัวนี้รันบนเครื่องคุณ ไม่มี endpoint บนอินเทอร์เน็ต
– ไม่เกี่ยว
ล็อกอินแบบ OAuth
ตัวนี้รันบนเครื่อง ใช้ค่าที่ตั้งในเครื่องแทน
… ยังไม่ตรวจ
คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง
รันในเครื่องคุณ เราอ่านรายการเครื่องมือได้เฉพาะตัวที่มี endpoint บนอินเทอร์เน็ต

เทียบกับตัวอื่นในหมวด ค้นข้อมูลและความจำของ AIi

ดาวมากกว่า 0% ของอีก 7257 ตัวในหมวดนี้
ส่งรุ่นใหม่เข้า registry ล่าสุดกว่า 21% ของอีก 7257 ตัวในหมวดนี้
ผลตรวจเบื้องต้นดีกว่าหรือเท่ากับ 31% ของอีก 7257 ตัวในหมวดนี้

เทียบกับทุก server ที่ยังใช้งานในหมวดนี้ทั้งทะเบียน ดาวนับเฉพาะเมื่อผู้ลงทะเบียนเป็นเจ้าของ repo

คำถามที่พบบ่อย

ComparEdge LLM Cost ปลอดภัยไหม?

จากการตรวจเบื้องต้นของเรา ผ่าน 0 จาก 1 ข้อที่ตรวจได้ เรายังไม่ได้อ่านโค้ด ก่อนใส่กุญแจหรือ token ให้ดูว่า server ขอสิทธิ์อะไร และเลือกกุญแจที่ทำได้เท่าที่จำเป็น

ต้องใช้กุญแจหรือรหัสอะไรบ้าง?

registry ไม่ได้ระบุว่าต้องใช้กุญแจ แต่บางตัวจะขอให้ล็อกอินตอนใช้ครั้งแรก

ตัวนี้รันบนเครื่องหรือบนคลาวด์?

รันบนเครื่องของคุณ โปรแกรม AI จะเปิด server ขึ้นมาเองเมื่อใช้ ข้อมูลไม่ต้องผ่านเซิร์ฟเวอร์ของผู้ทำ (ยกเว้นตัวที่ไปเรียกบริการออนไลน์ต่อ)

ยังมีคนดูแลอยู่ไหม?

repo บน GitHub มีการแก้โค้ดล่าสุด – และส่งรุ่นล่าสุด (1.0.0) เข้า registry 4 เดือนที่ผ่านมา

ใช้กับโปรแกรมไหนได้บ้าง?

โปรแกรมที่รองรับ MCP เช่น Claude Desktop, Claude Code, Cursor และ VS Code ตัวนี้ต้องมี Node.js ในเครื่องด้วย

มีตัวไหนใช้แทนได้บ้าง?

ในหมวดเดียวกันมี Context7, Codebase Memory, Exa

ตัวที่ใช้แทนได้

server หมวดเดียวกันจากผู้ทำคนอื่น เรียงตามดาว

อ่านการ์ด:★ ดาว GitHubiสามเสา: รีวิว · ผลตรวจ · การใช้งานiอัปเดต = วันที่ส่งรุ่นล่าสุดเข้า registryi

Context7

โดย upstash

ส่งคู่มือการใช้ไลบรารีและเฟรมเวิร์กรุ่นล่าสุดให้ AI อ่านก่อนตอบ ช่วยให้โค้ดที่ AI เขียนไม่ใช้คำสั่งเก่าที่เลิกใช้แล้ว

บนเครื่องหรือคลาวด์★ 64,224MITอัปเดต วันนี้

ติดตั้ง

Codebase Memory

โดย DeusData

Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.

รันบนเครื่อง★ 48,148MITอัปเดต 20 วันที่ผ่านมา

ติดตั้ง

Exa

โดย exa-labs

Connect AI agents to Exa for web search, content fetching, and multi-step research.

รันบนคลาวด์★ 5,213MITอัปเดต เดือนที่แล้ว

ติดตั้ง

README จากผู้ทำ

เปิดอ่าน README

ส่วนนี้คัดจาก repo ของผู้ทำตามต้นฉบับ PopNx MCP ไม่ได้ตรวจหรือรับรองเนื้อหา ตัด HTML รูปภาพ และสคริปต์ออกแล้ว ลิงก์จะพาออกนอกเว็บ

Someone asks what the AI feature will cost at scale, and the honest answer around most teams is a shrug. Rates moved twice since anyone last checked, and the model itself will happily quote prices from its training data. This MCP server keeps current per-million-token rates for 69 models where your assistant can reach them, and does the arithmetic itself.

Watch it work

$ You: price Claude Opus 4.8 on a 25k-token prompt with a 1k answer, run 5,000 times

llm-cost › estimate_cost

Cost estimate: Claude Opus 4.8 (Anthropic) Rates: input $5/1M, output $25/1M, cached input $0.5/1M

Per call (25,000 in + 1,000 out tokens): input: $0.1250 output: $0.0250 per call total: $0.1500

Across 5,000 calls: $750.00

Ways to pay less for the same 5,000 calls: with cached input: $187.50 via batch API: $375.00

Nothing here is rounded or guessed. The rate is verified, date-stamped, and the server multiplied.

Open a second session: same call across four models, ranked

$ You: compare that call on Opus 4.8, Sonnet 5, GPT-5.6 Terra and Gemini 3.1 Pro

llm-cost › compare_models_cost

25,000 in + 1,000 out, cheapest first:

Claude Sonnet 5 $0.0600 /call $300.00 /5k
Gemini 3.1 Pro $0.0620 /call $310.00 /5k
GPT-5.6 Terra $0.0775 /call $387.50 /5k
Claude Opus 4.8 $0.1500 /call $750.00 /5k

Ranking uses each model's live feed entry, not remembered prices.

The gap it closes

An assistant on its own	An assistant with llm-cost
quotes output rates from training data, often a generation stale	reads the current rate, dated
flattens the estimate to "a few cents"	`$0.1500` per call, `$750.00` across 5,000
never mentions batch or caching discounts	`$375.00` batch, `$187.50` cached, only where the model really offers them
confidently wrong, no way to tell	every figure traces to a feed entry with a verification date

The same numbers answer in a browser through the LLM calculator, and the LLM category hub ranks every tracked model by rating and price.

Where the numbers travel

flowchart LR

V["provider pricing pages 17 providers"] --> CE["verification date-stamped checks"] CE --> F["model prices feed 69 models, USD per 1M tokens"] F -->|"6h cache, serve stale on failure"| MCP["llm-cost server local arithmetic"] MCP --> A["your agent"]

The server never calls a provider API. It reads one public feed, llms-model-prices.json, and computes locally. Nothing to rate-limit, no key to leak, and a network hiccup serves the last good copy instead of an error. How each price gets checked is written up in the methodology, and the catalog behind it ships as an open dataset under CC BY 4.0.

The six tools

Four do the math. Two help you find the exact model id the math wants.

Tool	Answers	Params
`estimate_cost`	one call, or N identical calls, in dollars	`model`, `input_tokens`, `output_tokens`, `calls?`
`compare_models_cost`	the same call priced across 2 to 6 models	`models[]`, `input_tokens`, `output_tokens`
`monthly_budget`	daily, monthly, yearly spend for a workload	`model`, `daily_calls`, `avg_input_tokens`, `avg_output_tokens`
`cheapest_models`	lowest-cost models, optional context floor	`min_context?`, `limit?`
`list_models`	every model with rates, context and tier	`provider?`
`list_providers`	providers with model counts and cheapest pick	none

Token rules of thumb, for when nobody knows the counts

A page of English prose is roughly 500 tokens; one token is about four characters.
Model references are forgiving: claude-opus-4-8, Opus 4.8 and anthropic/opus resolve to the same model. When the resolver is unsure, it returns candidates instead of guessing.
cheapest_models ranks by a blended rate weighting input to output 3 to 1, because real workloads read far more than they write. Confirm the winner with estimate_cost on your actual split.

Prompts

Prompt	Args	Runs
`estimate_my_workflow`	`workflow`, `model?`	token estimates plus per-run and monthly cost for a described workflow
`pick_cheapest_model`	`task`	cheapest model that still meets the requirement, top candidates priced
`forecast_ai_budget`	`model`, `usage`	monthly and yearly bill projected from expected volume

Wire it up

"mcpServers": { "llm-cost": { "command": "npx", "args": ["-y", "@comparedge/llm-cost-mcp@latest"] } } }

Claude Desktop keeps this file at ~/Library/Application Support/Claude/claude_desktop_config.json. Cursor: Settings, then MCP. VS Code with Copilot reads .vscode/mcp.json. Restart the client; six tools appear. No API key, no account. Per-client walkthroughs live in the setup guide.

Family

Built by ComparEdge, where software prices are checked against vendor pages before anyone quotes them. Two siblings share the data: the full catalog server and a price-change watcher, both on ComparEdge MCP.

MIT licensed. JSON-RPC 2.0 over stdio, standard Model Context Protocol.

ComparEdge LLM Cost

ภาพรวม

สามเสาของ PopNx MCP

ใช้ทำอะไรได้

ติดตั้ง

ก่อนติดตั้ง

ทำอะไรได้บ้าง

ผลตรวจเบื้องต้นi

ตัวตนผู้ทำตรงกับ repo

ยังมีคนดูแล

มีสัญญาอนุญาต (license)

endpoint ตอบ

ล็อกอินแบบ OAuth

คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง

เทียบกับตัวอื่นในหมวด ค้นข้อมูลและความจำของ AIi

คำถามที่พบบ่อย

ตัวที่ใช้แทนได้

Context7

Codebase Memory

Exa

README จากผู้ทำ

Watch it work

The gap it closes

Where the numbers travel

The six tools

Prompts

Wire it up

Family