OpenRouter · 2026年11月11日

• TL;DR
• MCP、CLI和技能之间有什么区别？
• 一个MCP服务器会给每个请求增加多少token？
• 同一任务用CLI、技能和MCP分别要花多少成本？
• 为什么MCP工具结果和工具定义的成本一样高？
• Tool Search能解决MCP的上下文问题吗？
• MCP、CLI与技能：该用哪个？
• 常见问题
• 下一步

你给智能体（Agent）的每一个工具，都会在每次请求时把定义发送给模型，并按输入token计费。一个模型上下文协议（MCP）服务器可能给上下文窗口增加数万个token。常见的替代方案是命令行工具（CLI）或技能（Skill）。

我们在一项GitHub任务上，用GitHub MCP服务器、gh CLI和一个gh技能，在Claude Haiku 5.5、Claude Sonnet 5.5、GPT-6 Luna和Gemini 3.8 Flash上做了测量。在Sonnet 5.5上，三种方式都正确回答了问题，但消耗的输入token差别很大。CLI用了1,421个，技能用了3,315个，而MCP服务器加载默认工具后用了59,417个。下面说明token都花在哪里，以及如何用我们的Tool Search服务器工具来削减它们。

TL;DR

• 在Claude Sonnet 5.5上，GitHub MCP服务器的46个默认工具会给每次请求增加19,436个token。
• 在Sonnet 5.5上，一个工具结果——GitHub的release对象——就花了约20,400个token，比全部46个定义还多。
• Tool Search把46个工具的前期成本降到了600个token以内。在整个任务上，它把Sonnet 5.5的成本减半，却提高了Claude Haiku 5.5的成本。

MCP、CLI和技能之间有什么区别？

三者都给模型提供一种能力，区别在于模型在使用它之前需要读多少东西。

CLI依赖模型本来就会用那个工具。技能则教会模型如何使用工具，模型只在任务需要时才加载完整说明。

一个MCP服务器会给每个请求增加多少token？

可靠的计数方式是直接问模型。每家提供商在计算token之前，都会以自己的格式把工具定义写入提示；本地分词器会漏掉这部分。发送同一个请求，一次带工具、一次不带，usage.prompt_tokens的差值就是这些工具在每一轮的成本。

把这段代码保存为 mcp_cost.py。它使用MCP的2025-06-18版本，GitHub服务器接受这个版本。

"""一个MCP服务器会给每个请求增加多少提示token？去问模型。"""
import json
import os
import subprocess
import sys

import requests

API = "https://openrouter.ai/api/v1/chat/completions"
HEADERS = {"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"}

def list_mcp_tools(command):
    """启动stdio MCP服务器，完成握手，返回其tools/list的结果。"""
    proc = subprocess.Popen(command, stdin=subprocess.PIPE, stdout=subprocess.PIPE,
                            stderr=subprocess.DEVNULL, text=True)

    def rpc(method, params, id=None):
        msg = {"jsonrpc": "2.0", "method": method, "params": params}
        if id is not None:
            msg["id"] = id
        proc.stdin.write(json.dumps(msg) + "\n")
        proc.stdin.flush()
        while id is not None:
            reply = json.loads(proc.stdout.readline())
            if reply.get("id") == id:
                return reply["result"]

    rpc("initialize", {"protocolVersion": "2025-06-18", "capabilities": {},
                       "clientInfo": {"name": "mcp-cost", "version": "1"}}, id=1)
    rpc("notifications/initialized", {})
    tools, cursor, id = [], None, 2
    while True:  # 跟随nextCursor，完整统计支持分页的tools/list
        page = rpc("tools/list", {"cursor": cursor} if cursor else {}, id=id)
        tools += page["tools"]
        cursor, id = page.get("nextCursor"), id + 1
        if not cursor:
            break
    proc.kill()
    return tools

def prompt_tokens(model, tools=None):
    body = {"model": model, "max_tokens": 16, "messages": [{"role": "user", "content": "说 ok。"}]}
    if tools:
        body["tools"] = tools
    if model.startswith("google/"):
        # Google Vertex和Google AI Studio对相同工具的计数不同，因此固定使用一个。
        body["provider"] = {"only": ["google-vertex"]}
    r = requests.post(API, headers=HEADERS, json=body, timeout=120)
    r.raise_for_status()
    return r.json()["usage"]["prompt_tokens"]

if __name__ == "__main__":
    mcp_tools = list_mcp_tools(sys.argv[1:])
    # MCP客户端发给模型的内容：每个工具的名称、描述和输入schema。
    tools = [{"type": "function", "function": {"name": t["name"], "description": t.get("description", ""),
                                               "parameters": t["inputSchema"]}} for t in mcp_tools]
    print(f"{len(tools)} 个工具")
    for model in ["anthropic/claude-haiku-5.5", "openai/gpt-6-luna", "google/gemini-3.8-flash"]:
        added = prompt_tokens(model, tools) - prompt_tokens(model)
        print(f"{model:30} 每次请求 +{added:,} 个提示token")

把服务器的启动命令作为参数传入，如下所示，针对GitHub MCP服务器v2.0.2。

$ python mcp_cost.py github-mcp-server stdio --toolsets=default
46 个工具
anthropic/claude-haiku-5.5     每次请求 +19,436 个提示token
openai/gpt-6-luna              每次请求 +8,903 个提示token
google/gemini-3.8-flash        每次请求 +8,525 个提示token

每加一个工具，成本就会增加。在Haiku 5.5上，issues工具集有10个工具，增加5,801个token。users工具集只有1个工具，增加619个。

你使用的模型也会改变计数。同样的46个工具，在Haiku 5.5上花19,436个token，在GPT-6 Luna上只花8,903个，所以要在你计划运行的模型上测量。

甚至提供该模型的提供商也会改变计数。在Gemini 3.8 Flash上，46个工具通过Google Vertex花8,525个token，通过Google AI Studio则花13,010个。这就是为什么脚本总是把Gemini请求发给Google Vertex。

同一任务用CLI、技能和MCP分别要花多少成本？

我们问每个模型："GitHub仓库cli/cli的最新release是哪个，该仓库中最近打开的、带bug标签的三个issue是什么？"每种方式都在我们的Responses API上以工具调用循环运行，我们累加多次请求的usage.input_tokens。

• CLI。 一个run_shell工具，以及一行"GitHub CLI gh已安装并已认证"。
• 技能。 同一个工具，外加一行索引，指向一份1,492字符的gh用法SKILL.md。
• MCP。 服务器工具，范围限定为任务所需的2个、默认的46个，或全部91个。

我们在2026年10月20日把每种组合跑了三次，取中位数。Haiku 5.5对提示的计数与Sonnet 5.5完全相同，但它在某些运行中多花了几轮，所以我们展示Sonnet更稳定的token数和计费成本。

这张表里每次运行都回答正确。失败出现在使用Tool Search时，见下文。在Sonnet 5.5上，默认MCP服务器用的输入token是CLI的42倍，成本是17倍：每1,000个任务$127对$7.50。在Sonnet 5.5上，输出token成本是输入的五倍，CLI运行的463个输出token占了其$0.0075中的$0.0046。

技能比裸CLI贵，是因为文件一旦被模型读取，就会留在对话中。对于模型已经很熟悉的CLI工具，技能是可选的。对于你自己的CLI，技能就是模型学习命令的方式。