ComparEdge LLM Cost

Name: ComparEdge LLM Cost
Author: comparedge

作者：comparedge版本 1.0.0i★ –i在你的电脑上运行

注册名称io.github.imkemit-ops/comparedge-llm-cost

安装

概览

作者提供的说明（英文原文）

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

PopNx MCP 的三大支柱

这三项永远不会合并成一个分数：意见、测量和人气是不同的东西。

用户评价i暂无评价评价功能将在后续阶段与账户功能一起开放
我们的基础检查i1 项中通过 0 项依据公开信息检查；尚未扫描代码
使用情况i尚未统计★ –

它能帮你做什么

我们还没有为它写通俗的介绍。下面是我们从注册中心读取到的事实。

连接方式: 在你的电脑上运行
传输方式: stdio
分类: 搜索与 AI 记忆

安装

选择你使用的 AI 应用，然后复制设置。

安装之前

基础检查：1 项中通过 0 项
在你的电脑上运行，拥有你的用户账户的权限（文件、网络、应用）。
注册中心没有列出需要填写的密钥。

你需要

npm已安装 Node.js（用于 npx 命令）

你用的是哪个应用？

ClaudeClaude CodeCursorVS CodeChatGPT

在上方选择你的应用。我们会记住它，下次按钮会显示“安装到 …”。

打开 Claude Desktop → Settings → Developer → Edit Config，把下面的内容粘贴到 claude_desktop_config.json

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

在终端中运行这条命令

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

在 Cursor 中打开

或者自己复制设置

粘贴到项目中的 .cursor/mcp.json，或 ~/.cursor/mcp.json

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

浏览器会先询问是否打开应用，然后应用会显示设置并请你确认。密钥的值会留空，由你自己填写。

在 VS Code 中打开

或者自己复制设置

粘贴到项目中的 .vscode/mcp.json

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

浏览器会先询问是否打开应用，然后应用会显示设置并请你确认。密钥的值会留空，由你自己填写。

这个服务器在你的电脑上运行，而 ChatGPT 只能连接互联网上的服务器。请选择其他应用。

你的选择通过 Cookie 保存在这台设备上，无需账户。

这些设置是根据作者在注册中心的条目生成的。如果 README 的写法不同，请以 README 为准。

它能做什么

它在你的电脑上运行；安装后，工具列表会显示在你的 AI 应用中。

基础检查i

我们检查的是任何人都能看到的信息；我们没有阅读代码。不适用的检查项不计入总数。 · 检查于 2026年11月7日

! 注意
作者与仓库一致
发布者（imkemit-ops）不是仓库所有者（comparedge）；可能是其他人代为上架的
… 尚未检查
仍在维护
我们还没有从 GitHub 读取这个仓库
… 尚未检查
有许可证
我们还没有从 GitHub 读取这个仓库
– 不适用
端点有响应
它在你的电脑上运行，没有互联网端点
– 不适用
使用 OAuth 登录
在你的电脑上运行，改用本地设置
… 尚未检查
工具描述中没有隐藏指令
它在你的电脑上运行；我们只能读取互联网端点的工具列表

与“搜索与 AI 记忆”中的其他服务器比较i

星标数多于此分类中其他 7277 个服务器的 0%
发布到注册中心的时间比此分类中其他 7277 个服务器的 21% 更新
基础检查结果等于或优于此分类中其他 7277 个服务器的 29%

与注册中心里这个分类中所有活跃的服务器比较。只有当发布者拥有该仓库时，星标数才计入。

常见问题

ComparEdge LLM Cost 安全吗？

它在 1 项适用的基础检查中通过了 0 项。我们没有阅读代码。在添加密钥或令牌之前，请先看看这个服务器要求哪些权限，并使用只具备所需权限的密钥。

它需要哪些密钥或代码？

注册中心没有列出必需的密钥，不过有些服务器会在首次使用时要求你登录。

它在我的电脑上运行还是在云端？

它在你的电脑上运行。你的 AI 应用会在需要时启动它，数据不会经过作者的服务器（除非它自己调用在线服务）。

它还在维护吗？

GitHub 仓库最后更新于–，最新版本（1.0.0）于4个月前进入注册中心。

哪些应用可以使用它？

支持 MCP 的应用，例如 Claude Desktop、Claude Code、Cursor 和 VS Code。你的电脑上还需要有 Node.js。

有什么可以替代它？

同一分类中有：Context7, Codebase Memory, Exa

替代选择

同一分类中其他作者的服务器，按星标数排序。

如何看卡片：★ GitHub 星标i三大支柱：评价 · 检查 · 使用情况i更新 = 最新版本发布到注册中心的时间i

Context7

作者：upstash

Up-to-date docs for AI agents

电脑或云端★ 64,224MIT昨天更新

安装

Codebase Memory

作者：DeusData

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

在你的电脑上运行★ 48,148MIT21天前更新

安装

Exa

作者：exa-labs

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

在云端运行★ 5,213MIT上个月更新

安装

作者的 README

打开 README

按原文从作者的仓库复制。PopNx MCP 没有审查或背书其内容。HTML、图片和脚本已被移除。链接会离开本站。

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.