FinOps成本分析工具

MCP FinOps成本工具（基于CSV）

最低限度 模型上下文协议（MCP） 暴露的服务器 确定性FinOps成本分析工具 通过标准化的接口。

该项目演示了如何使用以下方法将FinOps分析安全地暴露给AI系统 可审计、可复制的工具 而不是临时提示或仪表板。

为什么这个项目存在

传统的FinOps工作流程依赖于：

• 仪表板（成本浏览器、Power BI、Looker），
• 静态报告，
• 手动方差分析。

该项目展示了一种不同的方法：

FinOps是一种可调用、受管理的工具，人工智能助手可以使用它来解释云支出。

它通过MCP调用确定性工具并解释结果，而不是人工智能“猜测”成本。

这展示了什么（FinOps映射）

架构概述

云计费导出（CSV）--->计费加载器和归一化器--->确定性FinOps工具层--->MCP服务器（FastMCP）--->AI助手（解释结果，不计算）

通过MCP暴露的工具

1. cost_summary

总结一段时间内的云支出。

退货：

• 总成本
• 顶级服务
• 顶级账户
• 顶级环境/团队标签
• 标签覆盖率（占分配支出的百分比）

2. cost_diff

解释 发生了什么变化 在两个时间段之间。

比较方式：

• 服务
• 账户
• 环境标签
• 团队标签

3. anomaly_check

使用滚动z分数检测每日支出异常。

退货：

• 标记日期
• 在异常日消费
• 贡献最大的服务和账户

示例演示问题（面试准备）

• “上周我们的主要成本驱动因素是什么？”
• “为什么云支出比上一时期有所增加？”
• “是否出现了任何异常的支出激增，是什么原因造成的？”
• “我们对团队级问责制的标签覆盖率有多高？”

每个问题都会导致 显式MCP工具调用，而不是自由推理。

数据源

该项目使用 基于CSV的云计费导出 为了简单和便携。

预期的标准化列：

• date
• provider
• account
• service
• cost
• currency
• tag_env
• tag_team

包含一个小样本数据集，因此项目可以立即运行。

加载器可以扩展到映射：

• AWS成本和使用报告（CUR）
• Azure成本管理导出
• GCP账单导出

在本地运行

bash
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

pip install -r requirements.txt
python server.py

为什么选择MCP（模型上下文协议）

MCP提供：

• 标准化工具接口
• 严格的输入/输出模式
• 显式权限
• 确定性、可审计的执行

这些属性对于FinOps等财务和治理相邻系统至关重要。

该项目使用MCP来演示如何将FinOps分析安全地集成到人工智能辅助的工作流程中，其中：

• 工具计算事实，
• 访问受到管理，
• AI仅限于解释和解读。

可能的扩展

• 用实时云计费API替换CSV摄取
• 添加承诺建议（保留实例/节省计划）
• 整合利用率指标（CPU、内存）以区分成本与使用情况
• 将结果导出到仪表板、报告或票务系统

免责声明

本项目仅用于演示和学习目的。
它并不打算取代生产FinOps工具。