LLM Advisor MCP

llm顾问mcp

英语 | 日本语

为您的AI助手提供实时LLM/VLM知识。 定价、基准和建议——每小时更新一次，而不是每个培训周期。

法学硕士有知识界限。问Claude“现在最好的编码模型是什么？”它无法用当前的数据来回答。这个MCP服务器通过将实时模型智能直接输入到AI助手的上下文窗口中来修复这个问题。

• 零配置 -没有API密钥，没有注册。一个安装命令。
• 低代币 --紧凑的Markdown表（约300个标记），而不是原始JSON（约3000个标记）。你的上下文窗口很重要。
• 5个基准来源 --SWE长椅、LM Arena Elo、OpenCompass VLM、Aider Polyglot和OpenRouter定价合并为一个统一的视图。

______________________________________________________________________

用例

• “现在最好的编码模型是什么？” — list_top_models 与类别 coding
• “比较克劳德、GPT和双子座” — compare_models 配有并排桌子
• “找到一个具有1M上下文的廉价模型” — recommend_model 由于预算限制
• “model X有哪些基准？” — get_model_info 按百分比排名

______________________________________________________________________

快速开始

克劳德代码

claude mcp add llm-advisor -- npx -y llm-advisor-mcp

克劳德代码（Windows）

claude mcp add llm-advisor -- cmd /c npx -y llm-advisor-mcp

克劳德桌面/光标/风帆

添加到MCP配置文件中：

{
  "mcpServers": {
    "llm-advisor": {
      "command": "npx",
      "args": ["-y", "llm-advisor-mcp"]
    }
  }
}

就是这样。没有API密钥，没有 .env 文件夹。

兼容客户端

______________________________________________________________________

工具

get_model_info

具体模型的详细规范：定价、基准测试、百分比排名、功能，以及一个随时可用的API代码示例。

参数

输出示例

## anthropic/claude-sonnet-4

**Provider**: anthropic | **Modality**: text+image→text | **Released**: 2025-06-25

### Pricing
| Metric | Value |
|--------|-------|
| Input | $3.00 /1M tok |
| Output | $15.00 /1M tok |
| Cache Read | $0.30 /1M tok |
| Context | 200K |
| Max Output | 64K |

### Benchmarks
| Benchmark | Score |
|-----------|-------|
| SWE-bench Verified | 76.8% |
| Aider Polyglot | 72.1% |
| Arena Elo | 1467 |
| MMMU | 76.0% |

### Percentile Ranks
| Category | Percentile |
|----------|------------|
| Coding | P96 |
| General | P95 |
| Vision | P90 |

**Capabilities**: Tools, Reasoning, Vision

### API Example (openai_sdk)

from openai import OpenAI client = OpenAI( base_url="https://openrouter.ai/api/v1", api_key="", ) response = client.chat.completions.create( model="anthropic/claude-sonnet-4", messages=[{"role": "user", "content": "Hello"}], )

list_top_models

Top-ranked models for a category. Includes release dates for freshness awareness.

Parameters

Example output

## 前五名：编码

|#|模型|关键分数|输入$/1M |输出$/1M |Context |已发布|
|------|------|------|------|------|------|------|
|1|openai/o3-pro |瑞典市场79.5%| 20.00美元| 80.00美元| 200000美元| 2025-06-10|
|2|人/claude-sonnet-4|瑞典76.8%| 3.00美元| 15.00美元| 20万| 2025-06-25|
|3 |谷歌/双子座-2.5-pro |瑞典75.2%| 1.25美元| 10.00美元| 100万美元| 2025-03-25|
|4|openai/o4 mini|SWE 73.6%|1.10|4.40|200000 |2025-04-16|
|5 |人类/claude-opus-4 |瑞典72.5%| 15.00美元| 75.00美元| 20万| 2025-05-22|

compare_models

Side-by-side comparison for 2-5 models. Best values are bolded automatically. Includes a Released row so you can spot outdated models at a glance.

Parameters

Example output

## 模型比较（3个模型）

| | **人/claude-sonnet-4** | **openai/gpt-4.1** | **谷歌/双子座-2.5-pro** |
|------|------|------|------|
|输入100万美元|3.00美元| **$2.00** | $1.25 |
|产出100万美元|15.00|8.00美元| **$5.00** |
|背景| 20万| 1百万| **1米** |
|最大输出|64K|32K| **65K** |
|SWE长椅| **76.8%** | 55.0% | 75.2% |
|Aider Polyglot| **72.1%** | 65.3% | 71.8% |
第1467章 **1492** | 1445 |
|愿景|是|是|有|
|工具|是|是|有|
|推理|是|否|是|
|开源|否|否|
|发布|2025-06-25| **2025-04-14** | 2025-03-25 |

recommend_model

Personalized top-3 recommendations. Scores combine weighted benchmarks, pricing, capability bonuses, and a freshness bonus (+3 points for models released within 3 months, +1 within 6 months).

Parameters

Example output

## 推荐用于：编码

### 1.人/claude-sonnet-4（得分：78）

输入：3.00/100万美元|输出：15.0/100万$|上下文：20万|发布：2025-06-25
基准：瑞典队替补席：76.8%，助理：72.1%，竞技场：1467
优势：推理、工具、愿景

### 2.谷歌/双子座-2.5-flash（得分：74）

投入：15美元/百万|产出：60美元/百万||背景：100万|发布时间：2025-05-20
基准：瑞典队替补席：62.9%，竞技场：1445
优势：工具、愿景、1M+背景

### 3.openai/o4-mini（71分）

投入：110美元/百万|产出：4.40美元/百万|上下文：20万|发布时间：2025年4月16日
基准：瑞典队替补席：73.6%，竞技场：1430
优势：推理、工具

Data Sources

All data is fetched in real time from free, public APIs. No authentication required.

Context Cost

MCP tool definitions and responses consume your LLM's context window. This server is designed to be lean:

For comparison, most MCP servers that return raw JSON consume 3,000-10,000 tokens per response. Every response from llm-advisor-mcp is pre-formatted Markdown, keeping context costs roughly 10x lower.

Architecture

┌──────────────────────────────────────────────┐
│              MCP客户端（克劳德等）│
└──────────┬───────────────────────────────────┘
│ 标准输入（JSON-RPC）
┌──────────▼───────────────────────────────────┐
│            llm顾问mcp服务器│
│                                               │
│  ┌─────────┐  ┌───────────┐  ┌────────────┐  │
│  │  工具│  │ 注册表│  │   缓存│  │
│  │ （4个工具）│──│ （统一）│──│ （记忆中）│  │
│  └─────────┘  └───────────┘  └────────────┘  │
│                     │                         │
│        ┌────────────┼────────────┐            │
│        ▼            ▼            ▼            │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐      │
│  │规范化器│ │百分位数│ │ Fetchers│      │
│  │（段塞图）│ │ （5只猫）│ │（5来源│      │
│  └──────────┘ └──────────┘ └──────────┘      │
└──────────────────────────────────────────────┘
│           │           │
OpenRouter SWE板凳竞技场/VLM/Aider

• TypeScript + ESM — Single entry point, tsup build
• In-memory cache — TTL-based (1h pricing, 6h benchmarks), stale-while-revalidate
• Cross-source normalization — Maps inconsistent model names (e.g. Claude 3.5 Sonnet vs anthropic/claude-3.5-sonnet) to canonical IDs
• Percentile computation — Ranks across 5 categories (coding, math, general, vision, cost efficiency)
• Freshness scoring — Recommendation algorithm gives a bonus to recently released models (+3 for <=3mo, +1 for <=6mo)
• Zero runtime deps beyond @modelcontextprotocol/sdk and zod

Roadmap

Development

git clone https://github.com/Daichi-Kudo/llm-advisor-mcp.git
cd llm-advisor-mcp
npm install
npm run build       # Build with tsup
npm run dev         # Run with tsx (hot reload)
npm test            # Run 51 unit tests (vitest)
npm run test:watch  # Watch mode

项目结构

src/
  index.ts              # Server entry point
  types.ts              # Shared type definitions
  tools/
    model-info.ts       # get_model_info tool
    list-top.ts         # list_top_models tool
    compare.ts          # compare_models tool
    recommend.ts        # recommend_model tool
    formatters.ts       # Markdown output formatters
  data/
    registry.ts         # Unified model registry
    cache.ts            # In-memory TTL cache
    normalizer.ts       # Cross-source name normalization
    percentiles.ts      # Percentile rank computation
    fetchers/
      openrouter.ts     # OpenRouter API
      swe-bench.ts      # SWE-bench leaderboard
      arena.ts          # LM Arena Elo ratings
      vlm-leaderboard.ts # OpenCompass VLM benchmarks
      aider.ts          # Aider Polyglot scores
    static/
      api-examples.ts   # API code snippet templates

贡献

1. 分叉存储库
2. 创建要素分支
3. 添加新功能的测试
4. 跑 npm test 验证所有51项测试是否通过
5. 提交拉取请求

______________________________________________________________________

许可证

麻省理工学院 --Cognisant有限责任公司