GCP成本MCP服务器

备注：这是一个非官方项目，不隶属于谷歌或Genkit团队，也不得到谷歌或Genkit团队的认可或支持。

用于估算Google Cloud运行成本的MCP（模型上下文协议）服务器。

而不是手动使用谷歌云定价计算器，您可以直接从Claude Desktop、Gemini CLI或Cursor等AI助手获得GCP成本估算。

特性

可用工具

工具	说明
`get_estimation_guide`	从这里开始！根据SKU分析为任何GCP服务动态生成估算指南
`list_services`	列出所有可用的Google Cloud服务及其ID
`list_skus`	列出特定服务的SKU（可计费项目）
`get_sku_price`	获取特定SKU的定价详细信息
`estimate_cost`	根据SKU和使用量计算成本，自动扣除免费等级

工具关系

每个工具都是 独立和无国籍AI助手根据上下文自主决定调用哪些工具以及调用顺序：

graph TB
    guide["get_estimation_guide
─────────────────
IN: service_name
OUT: required params, pricing
factors, free tier info, tips
─────────────────
Internally resolves
service & SKU lookup"]

    services["list_services
─────────────────
IN: name filter (opt)
OUT: service_id, display_name"]

    skus["list_skus
─────────────────
IN: service_id, region, keyword
OUT: sku_id, display_name,
categories, regions"]

    price["get_sku_price
─────────────────
IN: sku_id, currency
OUT: price/unit, pricing tiers"]

    cost["estimate_cost
─────────────────
IN: sku_id, usage_amount
OUT: estimated cost with
automatic free tier deduction
─────────────────
Internally resolves pricing"]

    services -- "service_id" --> skus
    skus -- "sku_id" --> price
    skus -- "sku_id" --> cost

实心箭头 显示数据流——一个工具的输出为另一个工具提供输入。 get_estimation_guide 和 estimate_cost 是 独立的：它们在内部解决了自己的依赖关系，减少了往返。

用例	人工智能如何使用工具
快速估算	`get_estimation_guide` → 收集用户需求→ `estimate_cost`
多业务	多个 `get_estimation_guide` + `estimate_cost` 电话并行
探索定价	`list_services` → `list_skus` → `get_sku_price`
直接计算	`estimate_cost` 具有已知的SKU ID

支持服务列表

get_estimation_guide 与...合作 任何谷歌云服务:

动态指南生成：通过分析云计费目录API中的SKU动态生成指南
免费等级信息：自动从GCP文档中提取并包含在指南中
普遍覆盖：适用于所有GCP服务-没有硬编码的服务列表

该工具分析可用SKU以确定：

所需参数（区域、实例类型、存储等）
定价因素和计费维度
免费等级配额（如果可用）
成本优化提示

快速开始

先决条件

谷歌云SDK(gcloud)已安装
已配置应用程序默认凭据

备注：无需设置Google Cloud项目或启用API。此服务器使用OAuth身份验证访问公共定价数据。

1.设置身份验证

gcloud auth application-default login

2.安装

选择最适合您环境的安装方法：

选项A：自制（macOS/Linux）——推荐

在macOS或Linux上安装的最简单方法：

brew tap nozomi-koborinai/tap
brew install gcp-cost-mcp-server

二进制文件将安装到 /opt/homebrew/bin/gcp-cost-mcp-server （苹果硅）或 /usr/local/bin/gcp-cost-mcp-server （英特尔/Linux）。

升级到最新版本：

# Update tap to fetch the latest Formula
brew update

# Check the available version
brew info gcp-cost-mcp-server

# Upgrade to the latest version
brew upgrade gcp-cost-mcp-server

备注：始终运行 brew update 首先，确保您获得最新版本。如果没有它，Homebrew将使用缓存的配方信息。

选项B：下载预构建的二进制文件

下载自对于您的平台：

二进制	平台	架构
`gcp-cost-mcp-server-darwin-arm64`	macOS	苹果硅（M1/M2/M3/M4）
`gcp-cost-mcp-server-darwin-amd64`	macOS	英特尔
`gcp-cost-mcp-server-linux-amd64`	Linux	x86_64
`gcp-cost-mcp-server-windows-amd64.exe`	Windows	x86_64

macOS用户：下载后，删除隔离属性： ``bash chmod +x gcp-cost-mcp-server-darwin-* xattr -d com.apple.quarantine gcp-cost-mcp-server-darwin-* ``

选项C：从源代码构建

需要Go 1.21+：

git clone https://github.com/nozomi-koborinai/gcp-cost-mcp-server.git
cd gcp-cost-mcp-server
go build -o gcp-cost-mcp-server .

3.配置您的MCP客户端

先找到你的二进制路径：

# If installed via Homebrew
which gcp-cost-mcp-server
# Output: /opt/homebrew/bin/gcp-cost-mcp-server (Apple Silicon)
#         /usr/local/bin/gcp-cost-mcp-server (Intel/Linux)

克劳德桌面

增添 ~/Library/Application Support/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "gcp-cost": {
      "command": "/opt/homebrew/bin/gcp-cost-mcp-server"
    }
  }
}

光标

增添 .cursor/mcp.json 在您的项目或全局配置中：

{
  "mcpServers": {
    "gcp-cost": {
      "command": "/opt/homebrew/bin/gcp-cost-mcp-server"
    }
  }
}

Gemini CLI

增添 ~/.gemini/settings.json:

{
  "mcpServers": {
    "gcp-cost": {
      "command": "/opt/homebrew/bin/gcp-cost-mcp-server"
    }
  }
}

备注：替换 /opt/homebrew/bin/gcp-cost-mcp-server 如果不同，请使用实际的二进制路径。

使用示例

基本成本估算（对话式）

从一个简单的问题开始——人工智能将指导你完成细节：

You: "How much would Cloud Run cost for 2 instances?"

AI: "To estimate Cloud Run costs accurately, I need a few more details:
    - Region: Where will this be deployed? (e.g., asia-northeast1, us-central1)
    - vCPU: How many vCPUs per instance? (e.g., 1, 2, 4)
    - Memory: How much memory per instance? (e.g., 1 GiB, 2 GiB)
    - Billing type: Instance-based or request-based?
    - Monthly usage: Will it run 24/7 (730 hours) or less?"

You: "Tokyo region, 1 vCPU, 2GB memory, instance-based, 24/7"

AI: "Based on your requirements for 2 Cloud Run instances in Tokyo (asia-northeast1):

    📊 Cost Breakdown:
    - vCPU: 2 vCPU × 2,628,000 sec = 5,256,000 vCPU-seconds
      Free tier applied: -180,000 vCPU-seconds
      Billable: 5,076,000 vCPU-seconds × $0.000024 = $121.82/month
    
    - Memory: 4 GiB × 2,628,000 sec = 10,512,000 GiB-seconds
      Free tier applied: -360,000 GiB-seconds
      Billable: 10,152,000 GiB-seconds × $0.0000025 = $25.38/month
    
    💰 Total estimated: ~$147.20/month (free tier already applied)
    
    💡 Tip: Cloud Run's free tier (180,000 vCPU-sec + 360,000 GiB-sec/month) 
       has been automatically deducted from your estimate."

探索服务和SKU

You: "What's the service ID for Compute Engine?"
You: "List the available SKUs for Compute Engine in Tokyo region"
You: "How much would an n2-standard-4 instance cost for 730 hours?"

任何GCP服务

所有服务均支持动态指南生成：

You: "How much would Vertex AI cost for my ML training?"

AI: "I'll generate an estimation guide for Vertex AI by analyzing available SKUs...
    
    Based on my analysis, to estimate Vertex AI costs, I need:
    1. Region: Where will training run?
    2. Machine type: What accelerator type? (e.g., NVIDIA T4, A100)
    3. Training hours: How long will training take?
    4. Storage: How much training data?
    
    Free tier note: Vertex AI offers $300 in free credits for new users.
    
    Would you like me to list the specific SKUs available for Vertex AI?"

架构图估算（多服务）

上传架构图并获得完整的成本明细：

You: [Upload architecture diagram image]
     "Please estimate the monthly cost for this architecture"

AI: "I've analyzed your architecture diagram. Here are the GCP services identified:
     - Cloud Run (Application layer)
     - Cloud SQL (Database)
     - Cloud Storage (Static files)
     - Cloud Load Balancing (Traffic distribution)
     
     To provide an accurate estimate, I need some details:
     
     🌏 Common Settings:
     - Region: Is asia-northeast1 (Tokyo) okay?
     
     📦 Cloud Run:
     - vCPUs: 1? 2? 4?
     - Memory: 1GB? 2GB? 4GB?
     - Instance count: How many instances?
     - Uptime: 24/7 or specific hours only?
     
     🗄️ Cloud SQL:
     - Database type: MySQL? PostgreSQL?
     - Machine type: Dev (db-f1-micro)? Production (db-custom-2-4096)?
     - Storage: How many GB needed?
     - High Availability (HA): Required?"

You: "Tokyo region, Cloud Run with 1vCPU/2GB × 2 instances running 24/7,
      Cloud SQL PostgreSQL db-custom-2-4096, 100GB SSD with HA,
      Cloud Storage 50GB Standard"

AI: "Thank you! Here's your estimate (free tiers automatically applied):

     | Service            | Configuration                  | Monthly Cost |
     |--------------------|--------------------------------|--------------|
     | Cloud Run          | 2 × 1vCPU × 2GB (24/7)         | $147.20 ✨   |
     | Cloud SQL          | PostgreSQL, 2vCPU/4GB, 100GB HA| $178.50      |
     | Cloud Storage      | 50GB Standard                  | $0.00 ✨     |
     | Cloud Load Balancing| Base + traffic                | $18.00       |
     | **Total**          |                                | **$343.70**  |
     
     ✨ = Free tier applied
     
     💡 Cost Optimization Tips:
     - Cloud Run: Set min instances to 0 to reduce idle costs
     - Cloud SQL: Disable HA for ~50% savings (dev environments)
     - Consider 1yr/3yr Committed Use Discounts (CUDs) for up to 57% off"

此工作流程：

AI分析架构图以识别GCP服务
AI首先询问共享参数（地区），然后询问服务特定的详细信息
AI使用MCP工具计算每项服务的成本
AI提供了一个包含总体和优化提示的综合细分

身份验证选项

使用应用程序默认凭据（推荐）

这是个人使用的最简单的选择：

gcloud auth application-default login

使用服务帐户

对于生产或自动化环境，请使用服务帐户：

{
  "mcpServers": {
    "gcp-cost": {
      "command": "/path/to/gcp-cost-mcp-server",
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "/path/to/service-account.json"
      }
    }
  }
}

所需IAM角色 （仅适用于定制/合同定价）：

roles/billing.viewer （账单账户查看器）

对于公开定价数据，不需要IAM角色。

______________________________________________________________________

建筑

项目结构

gcp-cost-mcp-server/
├── main.go                      # Entry point, tool registration
├── internal/
│   ├── freetier/                # Free tier information retrieval
│   │   ├── service.go           # FreeTierService with 24h cache
│   │   ├── search.go            # DuckDuckGo search client
│   │   ├── scraper.go           # GCP documentation scraper
│   │   └── patterns.go          # Regex patterns for extraction
│   ├── pricing/
│   │   └── client.go            # Cloud Billing Catalog API client
│   ├── tools/
│   │   ├── get_estimation_guide.go  # Dynamic guide generator
│   │   ├── estimate_cost.go         # Cost calc + free tier
│   │   ├── list_services.go
│   │   ├── list_skus.go
│   │   └── get_sku_price.go
│   └── mcp/
│       └── server.go            # MCP server wrapper

工具设计

flowchart TB
    subgraph MCP["MCP Server Tools"]
        direction TB

        Guide["get_estimation_guide
─────────────────
• Dynamic SKU analysis
• Free tier info included
• Self-contained"]

        Services["list_services
─────────────────
Returns: service IDs"]
        SKUs["list_skus
─────────────────
Returns: SKU IDs, regions"]
        Price["get_sku_price
─────────────────
Returns: price/unit, tiers"]
        Cost["estimate_cost
─────────────────
• Auto free tier deduction
• Tiered pricing support
• Self-contained"]

        Services --> SKUs
        SKUs --> Price
        SKUs --> Cost
    end

    subgraph External["External Services"]
        Billing["Google Cloud Billing API v2beta
cloudbilling.googleapis.com"]
        Docs["GCP Documentation
(for free tier info)"]
        DDG["DuckDuckGo Search
(fallback for doc discovery)"]
    end

    MCP --> Billing
    Guide -.-> Docs
    Guide -.-> DDG
    Cost -.-> Docs
    Cost -.-> DDG

数据流

sequenceDiagram
    participant User
    participant AI as AI Assistant
    participant MCP as MCP Server
    participant API as Cloud Billing API
    participant Docs as GCP Docs
    
    User->>AI: "How much would Cloud Run cost?"
    AI->>MCP: get_estimation_guide("Cloud Run")
    MCP->>API: ListSKUs(Cloud Run)
    API-->>MCP: SKU list
    MCP->>Docs: Fetch free tier info
    Docs-->>MCP: Free tier data
    MCP-->>AI: Dynamic guide + free tier
    AI->>User: "I need: region, vCPU, memory..."
    
    User->>AI: "Tokyo, 1vCPU, 2GB, 24/7"
    AI->>MCP: list_services()
    MCP->>API: ListServices
    API-->>MCP: Service IDs
    AI->>MCP: list_skus(service_id)
    MCP->>API: ListSKUs
    API-->>MCP: SKU details
    AI->>MCP: estimate_cost(sku_id, usage)
    MCP->>MCP: Apply free tier deduction
    MCP-->>AI: Cost with free tier applied
    AI->>User: "Estimated: $147.20/month (free tier applied)"

关键组件

组件	描述
get_estimation_guide	通过分析云计费API的SKU动态生成指南。包括从GCP文档中获取的免费等级信息。
list_services	查询云计费API中的所有可用服务。返回查询SKU所需的服务ID。
list_skus	列出特定服务的SKU。可按地区和类别筛选。
get_sku_price	获取特定SKU的详细定价。支持多种货币（美元、日元、欧元等）。
估算成本	通过自动扣除免费等级来计算最终成本。处理分层定价计算。
FreeTier服务	通过DuckDuckGo搜索+GCP文档抓取获取免费等级信息。将结果缓存24小时。

______________________________________________________________________

发展

构建

go build -o gcp-cost-mcp-server .

测试

# Run all tests
go test -v ./...

# With coverage
go test -cover ./...

使用MCP检查员进行测试

npx @modelcontextprotocol/inspector ./gcp-cost-mcp-server

交叉编译

# macOS (Apple Silicon)
GOOS=darwin GOARCH=arm64 go build -o dist/gcp-cost-mcp-server-darwin-arm64 .

# macOS (Intel)
GOOS=darwin GOARCH=amd64 go build -o dist/gcp-cost-mcp-server-darwin-amd64 .

# Linux (x86_64)
GOOS=linux GOARCH=amd64 go build -o dist/gcp-cost-mcp-server-linux-amd64 .

# Windows (x86_64)
GOOS=windows GOARCH=amd64 go build -o dist/gcp-cost-mcp-server-windows-amd64.exe .

发布过程

通过以下方式自动发布 GoRelease GitHub Actions。

要创建新版本，请执行以下操作：

# 1. Create and push a tag
git tag v0.6.0
git push origin v0.6.0

这将自动：

为所有平台构建二进制文件（darwin/linux/windows、amd64/arm64）
使用changelog创建GitHub版本
更新自制水龙头公式

自制水龙头自动化的先决条件：

GitHub个人访问令牌（PAT） repo 范围
将其存储为 HOMEBREW_TAP_TOKEN 存储库中的机密

本地开发

# Build
go build -o gcp-cost-mcp-server .

# Run locally
./gcp-cost-mcp-server

# Test GoReleaser config (dry run)
goreleaser release --snapshot --clean

为什么选择Genkit for Go？

类型安全工具定义

Genkit自动从Go结构标签生成JSON模式，消除了手动模式定义：

// Genkit: Type-safe with auto-generated schema
genkit.DefineTool(g, "list_skus", "Lists SKUs for a service",
    func(ctx *ai.ToolContext, input struct {
        ServiceID string `json:"service_id" jsonschema_description:"The service ID"`
        PageSize  int    `json:"page_size,omitempty"`
    }) (*Output, error) {
        // Implementation
    })

自动MCP电桥

Genkit的MCP插件会自动从注册表中发现工具并将其转换为MCP格式，无需手动注册。

统一的生态系统

特点	优点
Genkit用户界面	在开发过程中直观地调试和测试工具
追踪	自动执行跟踪和可观察性
AI模型集成	与Gemini、Bedrock、OpenAI无缝连接
MCP主机	使用同一代码库中的其他MCP服务器

刀具中断支持

Genkit的 ToolContext 为长时间运行的操作提供中断/恢复功能，这对用户确认流很有用。

面向未来

工具定义与以下工具定义相同：

MCP服务器工具（适用于Claude Desktop、Cursor、Gemini CLI）
Genkit Flow组件（用于AI代理工作流）
HTTP API端点（通过 genkit.Handler)

有关更多详细信息，请参阅 Genkit MCP插件文档.

许可证

MIT许可证

Gcp Cost MCP Server

快速接入

详细介绍