llm-cost

LLM API 定价表 + 成本估算，作为 dsh-llm-cost（DeepSeek Harness 插件）与 Python 智能体系统的单一事实来源。

把定价数据（llm_models.toml [pricing_v2]）和成本计算逻辑从大项目里解耦出来，让 Python 侧和 DSH 侧对「每个请求花了多少钱」得到完全一致的数字。

安装

pip install dsh-llm-cost

用法

from dsh_llm_cost import estimate_cost, list_models, resolve_pricing

# 一次请求的成本（input/output/cache 分桶）
est = estimate_cost(
    "deepseek-v4-flash", "deepseek",
    input_tokens=1000, output_tokens=500, cache_read_tokens=2000,
)
print(est.total_usd)   # 0.003xxxx

# 未知模型 → None（绝不静默显示 $0，避免「未知」被误读成「免费」）
assert estimate_cost("made-up-model", "openai", input_tokens=10, output_tokens=10) is None

# 匹配阶梯 + 完整决议
r = resolve_pricing("gpt-5.4-mini-20250601", "openai")
print(r.match)         # 'substring'
print(list_models())   # 所有模型 id

匹配阶梯（对齐 models.py:get_pricing）

0. provider === "ollama"  → 免费 (0)
1. 模型 id 精确匹配
2. 最长 key 子串匹配（防 "gpt-5.4" 吞掉 "gpt-5.4-mini"）
3. 未知 → None（显示 "unknown"，不显示 $0.00）

成本公式（与 dsh-llm-cost 插件一致）：

total = input_tokens/1e6 * input_per_m
      + cache_read_tokens/1e6 * cache_read_per_m
      + cache_write_tokens/1e6 * cache_write_per_m
      + output_tokens/1e6 * output_per_m

input_tokens 是不含缓存的输入（DeepSeek 适配器已把缓存命中从 prompt_tokens 里减掉）；reasoning 已含在 output_tokens 内；batch/storage/1h 维度 v1 不计入显示值。

数据

src/dsh_llm_cost/_data.py 由 gen_data.py 从 dsh-llm-cost 的 pricing.json 生成。单一事实来源是 llm_models.toml [pricing_v2]，链路：

llm_models.toml --(dsh-llm-cost: npm run gen)--> pricing.json --(gen_data.py)--> _data.py

重新生成：

python gen_data.py ../dsh-llm-cost/pricing.json

开发

python -m pytest          # 跑测试
python -m build           # 打包 sdist + wheel
python -m twine upload dist/*   # 发布（需 PyPI token）

License

MIT © 2026 Chen (Jarry) Pan