Agentcents

Name: Agentcents
Author: labham-llc

作者：labham-llc版本 1.1.3i★ –i在你的电脑上运行

注册名称io.github.labham-llc/agentcents

安装

概览

作者提供的说明（英文原文）

Local LLM cost proxy: forecasts each call and recommends the cheapest model that clears the task.

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 1 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: 文档、表格与办公

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 1 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

PyPI已安装 Python 的 uv（用于 uvx 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": {
    "agentcents": {
      "command": "uvx",
      "args": [
        "agentcents"
      ]
    }
  }
}

在终端中运行这条命令

claude mcp add agentcents -- uvx agentcents

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": {
    "agentcents": {
      "command": "uvx",
      "args": [
        "agentcents"
      ]
    }
  }
}

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": {
    "agentcents": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "agentcents"
      ]
    }
  }
}

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

✓ 通过
作者与仓库一致
注册名称已通过 GitHub 账户 labham-llc 验证，该账户拥有此仓库
… 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“文档、表格与办公”中的其他服务器比较i

星标数多于此分类中其他 2187 个服务器的 0%
发布到注册中心的时间比此分类中其他 2187 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 2187 个服务器的 100%

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

Agentcents 安全吗？

它在 1 项适用的基础检查中通过了 1 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（1.1.3）于3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 Python (uv)。

有什么可以替代它？

同一分类中有：Agent-Native Calendar, Excel MCP Server, MCP Server for Excel

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

Agent-Native Calendar

作者：BuilderIO

Agent-Native Google Calendar - manage events, sync, and public booking

在云端运行★ 7,620MIT2个月前更新

安装

Excel MCP Server

作者：haris-musa

Create and edit Excel files with AI: charts, PivotTables, formulas. No Excel needed.

在你的电脑上运行★ 4,276MIT6天前更新

安装

MCP Server for Excel

作者：sbroenne

Excel automation for AI - Sheets, Power Query, DAX, VBA, Tables, Ranges and more. Windows only.

在你的电脑上运行★ 847MIT3天前更新

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。

agentcents — LLM cost consulting skill for Claude

A Claude Skill that turns Claude into a neutral LLM cost advisor: estimate what any call or agent workflow will cost across candidate models, get the cheapest model that clears the task's capability bar, and see the comparison as a Mermaid diagram — with honest ranges, never false point estimates.

Works two ways:

Consult mode (no install): answers from a bundled, hand-verified snapshot of current model prices and Intelligence Index scores.
Live mode: if the agentcents proxy is running locally, the skill uses your real ledger — calibrated forecasts, spend, and accuracy instead of priors.

Install

Claude.ai / Desktop: Settings → Capabilities → Skills → Add → upload this folder (or the packaged .skill).

Claude Code: /plugin marketplace add labham-llc/agentcents-skill then /plugin install agentcents@labham-skills

Then just ask things like:

what would it cost to classify ~500 support emails a day, about 200 tokens each?

I'm building a 5-step research agent — which model should each step use?

What's in the box

SKILL.md                 — the consulting method (measure, range, bar, pick, flag instability)

assets/pricing.json — price + capability snapshot (see _meta.verified_utc) references/local-api.md — live-mode reference for a locally running agentcents

Snapshot verified: 2026-07-15 (see _meta.verified_utc) — refreshed with each agentcents release.

The product behind it

agentcents is a local proxy that meters, forecasts, and budget-enforces LLM API calls — and grades its own forecasting accuracy on a calibration page. pip install agentcents. The skill is free; so is the agentcents free tier.