FOCUS-MCP-Server

Fragen Sie Ihren KI-Assistenten, was Ihre Cloud tatsächlich kostet. Dieser MCP-Server (Model Context Protocol) verbindet Claude oder einen anderen MCP-Client mit Ihren FOCUS-Abrechnungsdaten, sodass Fragen wie diese zu Einzeilen-Prompts werden, statt handgeschriebenem SQL:

• "Was sind meine teuersten Dienste nach Region in diesem Monat?"

• "Zeig mir die Trends bei der Nutzung von Verpflichtungsrabatten."

• "Welche Konten weisen ungewöhnliche Ausgabemuster auf?"

• "Erkläre den Unterschied zwischen BilledCost und EffectiveCost."

Im Hintergrund fragt DuckDB Ihre Parquet-Exporte direkt ab, egal ob sie auf der lokalen Festplatte, in S3 oder in GCS liegen. Es muss keine Data Warehouse aufgesetzt werden. Der Server bündelt 254 Abfragen aus dem offiziellen FOCUS-Anwendungsfall-Katalog, als separate Sammlung pro Spezifikationsversion (36 für v1.0, 41 für v1.1, 53 für v1.2, 58 für v1.3, 66 für v1.4), und jede Abfrage zitiert die Seite, aus der sie stammt.

Was ist FOCUS?

FOCUS (FinOps Open Cost & Usage Specification) ist der offene Standard für Cloud-Abrechnungsdaten. AWS, Microsoft und Google Cloud exportieren ihn nativ, sodass ein Schema und eine Reihe von Abfragen über alle Anbieter hinweg funktionieren.

Related MCP server: MCP Cloud Services Server

Schnellstart

1. FOCUS-Daten beschaffen

Jeder Anbieter hat einen offiziellen Exportpfad:

• AWS: FOCUS-Einrichtungsanleitung für AWS (Data Exports → FOCUS 1.0 oder 1.2)

• Microsoft Azure: FOCUS-Einrichtungsanleitung für Microsoft

• Google Cloud: FOCUS-Einrichtungsanleitung für Google Cloud, oder siehe GCS + BigQuery unten

• Andere Anbieter: alle FOCUS-Einrichtungsanleitungen

Der Server liest Parquet mit Hive-Partitionierung:

/path/to/your/focus/data/
├── billing_period=2025-05/
│   ├── file1.parquet
│   └── file2.parquet
├── billing_period=2025-06/
│   └── ...

2. Server starten

Der schnellste Weg benötigt keinen Container. uvx holt und führt das veröffentlichte Paket in einem Schritt aus:

claude mcp add focus -e FOCUS_DATA_LOCATION=/path/to/your/focus/data -- uvx focus-mcp

Für Claude Desktop fügen Sie dies zu claude_desktop_config.json hinzu:

{
  "mcpServers": {
    "focus": {
      "command": "uvx",
      "args": ["focus-mcp"],
      "env": {
        "FOCUS_DATA_LOCATION": "/path/to/your/focus/data",
        "FOCUS_VERSION": "1.0"
      }
    }
  }
}

Das Lesen von GCS mit Application Default Credentials erfordert das gcs-Extra, das uvx installiert, wenn Sie es benennen:

claude mcp add focus -e FOCUS_DATA_LOCATION=gs://your-bucket/focus \
  -- uvx --from 'focus-mcp[gcs]' focus-mcp

Docker bleibt verfügbar und ist die bessere Wahl, wenn Sie ein gepinntes, attestiertes Image möchten:

Images werden bei jeder Veröffentlichung auf Docker Hub und GitHub Container Registry veröffentlicht:

docker pull glassity/focus-mcp:latest          # Docker Hub
docker pull ghcr.io/glassity/focus-mcp:latest  # GHCR

Für Claude Code, ein Befehl:

claude mcp add focus -- docker run -i --rm \
  -v /path/to/your/focus/data:/data:ro \
  -e FOCUS_DATA_LOCATION=/data \
  glassity/focus-mcp:latest

Für Claude Desktop fügen Sie dies zu claude_desktop_config.json hinzu:

{
  "mcpServers": {
    "focus": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-v", "/path/to/your/focus/data:/data:ro",
        "-e", "FOCUS_DATA_LOCATION=/data",
        "-e", "FOCUS_VERSION=1.0",
        "glassity/focus-mcp:latest"
      ]
    }
  }
}

Für S3- oder GCS-Daten entfernen Sie den Volume-Mount und zeigen Sie mit FOCUS_DATA_LOCATION auf den Bucket. Siehe Datenorte für die Anmeldeoptionen.

3. Etwas fragen

Starten Sie Ihren Client und versuchen Sie:

Show me what FOCUS data is loaded.

Der Assistent ruft get_data_info auf und meldet Zeilenzahlen, Datumsbereiche und Anbieter. Von dort aus fragen Sie in einfacher Sprache:

Run the service costs by region analysis for the last 3 months.
Show me the top 10 most expensive services across all accounts.
Find unused capacity reservations I can optimize.
Compare costs across providers and regions.
What columns are available in FOCUS v1.4?

Werkzeuge

Acht Werkzeuge, in zwei Gruppen.

Daten und Abfrage:

Schema und Spezifikation

Die Schema-Werkzeuge antworten aus der FOCUS-Spezifikation selbst, sodass der Assistent erklären kann, was eine Spalte bedeutet, und sie auch abfragen kann.

Abfragebibliothek

Jede Abfrage ist aus dem offiziellen FOCUS-Anwendungsfall-Katalog extrahiert und trägt ein Zitat zurück zu ihrer Quellseite:

• FOCUS v1.0: 36 Abfragen

• FOCUS v1.1: 41 Abfragen

• FOCUS v1.2: 53 Abfragen

• FOCUS v1.3: 58 Abfragen

• FOCUS v1.4: 66 Abfragen

Die Abdeckung umfasst Kostenverteilung, Verfolgung von Vertragsrabatten, Anomalieerkennung, Budgetabgleich und Anbietervergleich. FOCUS_VERSION wählt aus, welche Sammlung aktiv ist; passen Sie sie an das an, was Ihr Anbieter exportiert. Die Spezifikation läuft den Exporten voraus – AWS Data Exports liefert derzeit FOCUS 1.0 und 1.2 – sodass die Sammlungen für 1.3 und 1.4 bereit sind für den Tag, an dem ein Anbieter sie ausliefert.

Datenorte

Lokale Dateien

export FOCUS_DATA_LOCATION="/path/to/your/focus/data"

Eine heruntergeladene Kopie eines AWS Data Exports (aws s3 sync, ein gemountetes Volume) wird über die Manifeste geladen, mit denen sie kopiert wurde, genau wie der Bucket selbst – siehe unten.

Amazon S3

export FOCUS_DATA_LOCATION="s3://your-bucket/focus-exports"
export AWS_REGION="us-west-2"        # defaults to us-east-1

Zeigen Sie den Ort auf die Exportwurzel, das Präfix, das sowohl data/ als auch metadata/ enthält. AWS Data Exports listen jede Datei ihrer neuesten Lieferung in einem Manifest pro Abrechnungszeitraum unter metadata/ auf, und der Server lädt diese Dateien, wenn die Manifeste vorhanden sind: überholte Blöcke und erneut gelieferte Zeiträume, die auf dem Präfix zurückgelassen wurden, werden ignoriert, statt doppelt gezählt zu werden. Orte ohne Manifeste – ein BigQuery-Export, ein Verzeichnis mit Parquet-Dateien – werden durch Globbing aller darunterliegenden Parquet-Dateien gelesen. get_data_info meldet, welche der beiden verwendet wurde, und die Dateiliste wird alle paar Minuten aktualisiert, sodass neue Lieferungen keinen Neustart erfordern.

Die Authentifizierung verwendet die Standard-AWS-Anmeldekette, in dieser Reihenfolge: IAM-Rolle (automatisch auf EC2/ECS/Lambda), AWS_ACCESS_KEY_ID/AWS_SECRET_ACCESS_KEY-Umgebungsvariablen, AWS_PROFILE, dann ~/.aws/credentials.

export AWS_PROFILE="billing-reader"   # use a specific profile

Einige Buckets speichern Schlüssel mit einem führenden Schrägstrich; wenn die Auflistung fehlschlägt, versuchen Sie einen doppelten Schrägstrich nach dem Bucket-Namen: s3://your-bucket//focus/path.

Wenn Sie in Docker ausführen, übergeben Sie Anmeldedaten als -e-Variablen oder mounten Sie das Profil schreibgeschützt:

docker run -i --rm \
  -v "$HOME/.aws:/home/mcp/.aws:ro" \
  -e FOCUS_DATA_LOCATION="s3://your-bucket/focus-exports" \
  -e AWS_REGION="us-west-2" \
  -e AWS_PROFILE="billing-reader" \
  glassity/focus-mcp:latest

Google Cloud (GCS + BigQuery-FOCUS-Export)

Google Cloud exportiert Abrechnung nativ im FOCUS-Format: Billing → Billing export → FOCUS usage cost (Vorschau) schreibt eine FOCUS-Tabelle in BigQuery. Exportieren Sie sie als Parquet in einen GCS-Bucket:

EXPORT DATA OPTIONS (
  uri = 'gs://your-bucket/focus-export/*.parquet',
  format = 'PARQUET',
  overwrite = true
) AS
SELECT * FROM `your-project.your_focus_dataset.your_focus_table`;

Planen Sie diese Anweisung als geplante BigQuery-Abfrage, um den Bucket frisch zu halten; dies archiviert auch Ihre Daten über die 2-Jahres-TTL des FOCUS-Exports hinaus. Dann:

export FOCUS_DATA_LOCATION="gs://your-bucket/focus-export"

Die Authentifizierung wird in dieser Reihenfolge versucht:

1. HMAC-Schlüssel: setzen Sie GCS_HMAC_KEY_ID und GCS_HMAC_SECRET (erstellen mit gcloud storage hmac create <service-account-email>). Dieser Pfad verwendet DuckDBs native GCS-Unterstützung über die S3-Interoperabilitäts-API und benötigt keine zusätzlichen Abhängigkeiten.

2. Application Default Credentials: im Docker-Image enthalten; aus einem Quell-Checkout installieren Sie das Extra mit uv sync --extra gcs. Dann authentifizieren Sie sich wie gewohnt: gcloud auth application-default login, eine Service-Konto-JSON über GOOGLE_APPLICATION_CREDENTIALS oder Workload-Identität auf GCE/GKE.

3. Keine Anmeldedaten: nur öffentliche Buckets.

Zwei Methoden existieren, weil DuckDBs eingebaute GCS-Unterstützung nur HMAC spricht; ADC stammt aus der optionalen gcsfs-Abhängigkeit. Anmeldedaten werden nur innerhalb des Serverprozesses gelesen und niemals an MCP-Clients weitergegeben.

Konfiguration

Entwicklung

git clone https://github.com/glassity/focus-mcp.git
cd focus-mcp

uv sync                 # install, including dev tools
uv sync --extra gcs     # + GCS ADC support

export FOCUS_DATA_LOCATION="/path/to/your/focus/data"
uv run focus-mcp

Zeigen Sie einen Client auf das Quell-Checkout statt auf das Docker-Image:

{
  "mcpServers": {
    "focus": {
      "command": "uv",
      "args": ["run", "--directory", "/path/to/focus-mcp", "focus-mcp"],
      "env": {
        "FOCUS_DATA_LOCATION": "/path/to/your/focus/data",
        "FOCUS_VERSION": "1.0"
      }
    }
  }
}

Bauen und führen Sie Ihr eigenes Image aus:

docker build -t focus-mcp:custom .
docker run -i --rm \
  -v "/path/to/your/focus/data:/data:ro" \
  -e FOCUS_DATA_LOCATION=/data \
  focus-mcp:custom

Siehe CONTRIBUTING.md für Konventionen und Prüfungen, bevor Sie einen Pull-Request öffnen.

Roadmap

• Automatisierte Abfragesynchronisierung aus der FOCUS-Spezifikation, sodass neue Anwendungsfall-Seiten hier ohne manuelle Extraktion landen

• Reichhaltigere Antwortformatierung: Zitate und pädagogischer Kontext inline in Abfrageergebnissen

• Validierung jeder Anwendungsfall-Abfrage gegen echte Anbieter-Exporte (AWS liefert heute FOCUS 1.0 und 1.2; 1.3+ sobald Anbieter sie übernehmen)

• Bewertung, ob Spalten- und Attributdefinitionen zu MCP-Ressourcen verschoben werden

• Konformitätslücken-Hinweise aus der Spezifikation in den Werkzeugantworten anzeigen

Sicherheit

Melden Sie Schwachstellen an die Adresse in SECURITY.md, nicht an den Issue-Tracker. Kennen Sie das Vertrauensmodell: execute_query führt SQL aus, das der KI-Assistent schreibt, innerhalb des Serverprozesses. Ihre Parquet-Dateien sind eine Abfragequelle, keine beschreibbare Datenbank, und jedes Beispiel hier mountet sie :ro; behalten Sie das bei. Führen Sie das Docker-Image aus, statt eines nackten Prozesses, wenn Sie eine harte Grenze wollen, und geben Sie dem Server nur die Objektstore-Anmeldedaten, die er benötigt, begrenzt auf den Abrechnungs-Bucket.

Lizenz

Apache-2.0. Copyright Glassity. Siehe LICENSE.