openclaw-cost-tracker-mcp

Token-Kosten-Telemetrie für OpenClaw, abfragbar von Claude oder jedem MCP-fähigen Agenten. Kostenaufschlüsselung pro Agent und Anbieter, Anomalieerkennung bei Kostenspitzen, Empfehlungen für das Modell-Routing, 30-Tage-Prognose. Ergänzung zu silentwatch-mcp und openclaw-health-mcp.

Funktionsweise

KI-Produktionsumgebungen verursachen Token-Kosten bei mehreren Anbietern, Dutzenden von Agenten und Hunderten von Skill-Aufrufen. Die Rechnung kommt am Monatsende – und bis dahin ist die Antwort auf die Frage „Wo ist unser Geld geblieben?“ in 100.000 Log-Zeilen vergraben. Dieser MCP-Server stellt diese Daten live zur Verfügung, abfragbar in einfachem Englisch direkt aus Claude heraus:

> claude: where did our LLM spend go this week?
[MCP tools: cost_overview + top_cost_drivers]

Total spend last 7 days: $42.18
By provider:
  Anthropic    $30.40 (72%) — claude-sonnet-4 dominates
  OpenAI       $9.20  (22%) — chat-bot agent
  Gemini       $1.86  (4%)  — cron-summarizer (cheap-route working)
  Ollama       $0.00  (local, free)

Top 3 cost drivers:
  data-extraction-agent      $28.50 (68%)
  chat-bot                   $9.20  (22%)
  cron-summarizer            $1.86  (4%)

1 anomaly flagged — see find_cost_anomalies for details.

> claude: any cheaper-routing opportunities?
[MCP tool: model_routing_recommendations]

Recommendation: data-extraction-agent currently runs claude-sonnet-4
with avg 400-token completions — extraction-style work that
gemini-2.5-flash usually handles at ~95% quality for ~5% the cost.
Estimated savings: $27.10/30d if migrated. Test on a 10% slice first.

Warum openclaw-cost-tracker-mcp?

Drei Dinge, die bestehende Tools (Abrechnungs-Dashboards der Anbieter, allgemeine FinOps-Tools, benutzerdefinierte Skripte) nicht leisten:

1. Zuordnung pro Agent, nicht nur Gesamtsummen pro Anbieter. Anbieter-Dashboards zeigen „$X ausgegeben bei Anthropic“ – sie können nicht sagen, welcher Ihrer sechs Agenten 78 % davon verursacht hat. Der Cost Tracker liest das JSONL-Kostenprotokoll pro Anfrage von OpenClaw und aggregiert die Daten unter Beibehaltung der agent_id.

2. Anomalieerkennung bei Kostenspitzen pro Agent. Ein einzelnes Einfügen von 120.000 Token in den Chat kostet mehr als eine Woche normalen Datenverkehrs. Der Standard-Schwellenwert von 3x-Median-pro-Agent markiert diese, bevor sie auf der Monatsabrechnung erscheinen.

3. Routing-Empfehlungen basierend auf der tatsächlichen Nutzung. Allgemeine Ratschläge wie „nutzen Sie günstigere Modelle“ sind nutzlos. Dieser Server identifiziert spezifische Agenten, deren Muster aus Volumen und Länge der Vervollständigung darauf hindeuten, dass ein günstigerer Anbieter das gleiche Ergebnis liefern würde, inklusive konkreter 30-Tage-Einsparungsprognosen.

Entwickelt für den KI-Produktionsbetreiber, der OpenClaw produktiv mit echten Ausgaben betreibt, die ins Gewicht fallen.

Tool-Übersicht

Ressourcen:

• cost://overview — 7-Tage-Snapshot

• cost://forecast — 30-Tage-Projektion

• cost://anomalies — kürzlich markierte Anomalien

Prompts:

• diagnose-cost-spike — führt durch eine kürzliche Spitze zur Ursache + Korrekturmaßnahme

• weekly-cost-digest — 200-Wörter-Wochenbericht zu den Kosten

Schnellstart

Installation

pip install openclaw-cost-tracker-mcp

Konfiguration für Claude Desktop

Hinzufügen zu ~/Library/Application Support/Claude/claude_desktop_config.json (macOS) oder %APPDATA%\Claude\claude_desktop_config.json (Windows):

{
  "mcpServers": {
    "openclaw-cost": {
      "command": "python",
      "args": ["-m", "openclaw_cost_tracker_mcp"],
      "env": {
        "OPENCLAW_COST_BACKEND": "mock"
      }
    }
  }
}

Backends

JSONL-Logformat

Jede Zeile ist ein JSON-Datensatz:

{"request_id":"req-abc123","timestamp":"2026-05-04T12:34:56Z","provider":"anthropic","model":"claude-sonnet-4","agent_id":"data-extraction-agent","skill_id":"extract-structured-data","prompt_tokens":8500,"completion_tokens":600,"total_tokens":9100,"cost_usd":0.0345,"duration_ms":4823}

Wenn Ihre OpenClaw-Bereitstellung dieses Format nicht ausgibt, umschließen Sie Ihre Anbieteraufrufe mit einem kleinen Logging-Shim – ein Beispiel-Shim finden Sie in examples/.

Roadmap

Benötigen Sie eine Anpassung an Ihren Stack?

Wenn Ihre KI-Bereitstellung nicht das Kosten-Log-Format von OpenClaw verwendet – anderes Agent-Harness, benutzerdefiniertes Logging, AWS Bedrock-Metering, Anbieter-Abrechnungs-API – und Sie die gleiche Sichtbarkeit für Zuordnung + Anomalien + Routing wünschen, ist das ein Custom MCP Build-Engagement.

So beauftragen Sie uns:

1. E-Mail an temur@pixelette.tech mit dem Betreff Custom MCP Build inquiry

2. Fügen Sie bei: eine 1-Absatz-Beschreibung Ihres Stacks + welche Stufe Sie in Betracht ziehen

3. Antwort innerhalb von 2 Werktagen mit einem 30-minütigen Discovery-Call-Slot

Dieser Server ist Teil einer Produktions-KI-Infrastruktur-MCP-Suite – Ergänzung zu silentwatch-mcp (Cron-Erkennung von stillem Versagen) und openclaw-health-mcp (Bereitstellungsstatus). Installieren Sie alle drei für volle operative Sichtbarkeit.

Produktions-KI-Audits

Wenn Sie KI produktiv betreiben und ein externer Praktiker die Bereitschaft bewerten soll, die bereits vorhandenen Fehlermuster finden (Kostenüberschreitungen sind eines der häufigsten) und den Korrekturmaßnahmenplan schreiben soll:

Gleicher E-Mail-Kanal: temur@pixelette.tech mit dem Betreff AI audit inquiry.

Mitwirken

PRs sind willkommen. Backends sind austauschbar – siehe src/openclaw_cost_tracker_mcp/backends/ für den Vertrag.

So fügen Sie ein neues Backend hinzu:

1. Unterklasse CostBackend in backends/<ihr_backend>.py erstellen

2. get_entries() implementieren

3. In backends/__init__.py registrieren

4. Tests in tests/test_backend_<ihr_backend>.py hinzufügen

Fehlerberichte + Funktionsanfragen: Öffnen Sie ein GitHub-Issue.

Lizenz

MIT – siehe LICENSE.

Verwandtes

• silentwatch-mcp — Cron-Erkennung von stillem Versagen

• openclaw-health-mcp — Bereitstellungsstatus

• AI Production Discipline Framework — Notion-Vorlage, $29 — die Methodik, die diese MCP-Tools implementieren (Kostenüberschreitungen sind Muster P3.x im Katalog)

• SPEC.md — vollständiges Server-Design

Entwickelt von Temur Khan — unabhängiger Praktiker für KI-Produktionssysteme. Kontakt: temur@pixelette.tech