azure-pricing

Files (1)

• SKILL.md

SKILL.md (first lines)

# Skill — Azure Pricing Calculation (FinOps)

> **Uso:** Playbook operacional pro agent `azure-cost-calculator`. Leia este arquivo na primeira chamada da sessão como referência passo-a-passo para cenários comuns.

## Princípio Fundamental: Conversational-First

O usuário descreve a arquitetura em **linguagem natural**. O agent constrói o cenário internamente — **nunca pede JSON ou template ao usuário**.

Exemplos de inputs naturais que o agent precisa processar:

| Input do usuário | O que o agent deve fazer |
|---|---|
| "Quanto custa Foundry + AI Search + Fabric pra 30 users?" | Detectar padrão enterprise, construir cenário com defaults (brazilsouth, 1000 queries/dia), calcular |
| "Custo de uma arquitetura simples com só AI Search S1 e Storage" | Detectar padrão simple, construir cenário mínimo |
| "Compara o cenário X em brazilsouth vs eastus" | Rodar mesmo cenário em 2 regiões, gerar tabela comparativa |
| "TCO 36 meses pra produção do banco XYZ" | Calcular mensal + extrapolar 36 meses + aplicar crescimento orgânico se informado |

## Quando Acionar Esta Skill

- Usuário pede custo de arquitetura Azure (qualquer escala) em linguagem natural
- Comparação RI vs PAYG vs Savings Plans
- Conversão USD↔BRL via rate Microsoft
- TCO 12/24/36 meses
- Comparação de regiões pra um mesmo workload
- Geração de relatório de custos pra comitê de produto / FinOps

## Pré-flight (sempre antes de calcular)

1. Ler `kb/azure-pricing/index.md` (mapping de serviceName, bundles, regiões — único arquivo KB que o loader injeta automaticamente)
2. Chamar `azure_pricing_diagnostics` na primeira pergunta da sessão (valida API responsiva e mostra defaults aplicados)
3. Confirmar regras invioláveis do `agents/registry/azure-cost-calculator.md` (R1-R9) — em especial R6 (FIDELITY) e R7 (sizing: perguntar)

## Cenário 1 — Custo de Arquitetura Nova (Conversational, project-agnostic)

**Input do usuário** (linguagem natural, sem JSON):
> "Quero custo de uma arquitetura completa Foundry + AI Search + Fabric em brazilsouth pra 30 usuários, com 1000 queries/dia."

**Passos do agent (project-agnostic — mesmo fluxo para QUALQUER cliente/arquitetura):**

1. **Confirmation block (Passo 1 do registry)** — primeira resposta ao usuário:
   ```
   📋 Confirmando o pedido:
   - Cliente: <literal do usuário>
   - Região: <literal, ou default brazilsouth>
   - Quantidades: 30 usuários, 1000 queries/dia (literais)
   - Recursos pedidos: Foundry, AI Search, Fabric (literais)
   - Termos compostos: nenhum nesta query

   Foundry = Azure AI Foundry (per R5).
   Sizing não especificado para Fabric/AI Search — preciso perguntar antes de cotar:
   - Fabric: F2 ($409), F4 ($817), F8 ($1.635)? (default sugerido: F4 - medium workload)
   - AI Search: Basic ($75), S1 ($250)? (default sugerido: S1 - 1k queries/dia cabem)
   ```
   Espera resposta do usuário OU usa defaults sugeridos se ele autorizar.

2. **Construir lista interna** APENAS com os recursos que o usuário pediu + tier confirmado:
   ```python
   resources = [
       # Foundry → Azure OpenAI tokens (per R5)
       {"label": "Foundry gpt-4o-mini Input", "service_name": "Azure OpenAI",
        "meter_name": "gpt-4o-mini Input Tokens", "region": "eastus2", "quantity": 21.0},
       {"label": "Foundry gpt-4o-mini Output", "service_name": "Azure OpenAI",
        "meter_name": "gpt-4o-mini Output Tokens", "region": "eastus2", "quantity": 9.0},
       # AI Search S1 (confirmado pelo usuário)
       {"label": "AI Search S1", "service_name": "Azure Cognitive Search",
        "sku_name": "S1", "region": "brazilsouth", "quantity": 1},
       # Fabric F4 (confirmado pelo usuário)
       {"label": "Fabric F4 Capacity", "service_name": "Microsoft Fabric",
        "sku_name": "F4", "meter_name": "F4 Capacity Unit", "region": "brazilsouth", "quantity": 1},
   ]
   ```
   **NÃO adicione VMs, Storage, Defender, Purview, Site Recovery** — o usuário não pediu.

3. **Discovery (R2)** — para cada resource, antes de filtrar SKU exato, chame `azure_pricing_list_skus(service_name, region)` se houver dúvida sobre naming. Especialmente para Azure OpenAI e Cognitive Search.

4. **Chamar `azure_pricing_estimate_monthly_cost(resources_json)`**.
   - Se retornar `error: fixed_cost_validation_failed`, leia o `violations` e adicione as `missing_line_to_add` à sua lista. Re-chame.
   - Se retornar warnings com `unmatched_count > 0`, use `list_skus` para descobrir SKU correto e re-tente.

5. **Aceitar resultado verbatim**. Não arredonde, não complemente com chutes.

6. **Conversão currency (se solicitado)** — chamar `azure_pricing_currency_convert(total_usd, "USD", "BRL")`. Use a taxa retornada, não estime.

7. **Comparação reservations (se previsível)** — `compare_reservation_terms` para SKUs compute. Para Fabric/AI Search não há RI; só pra VMs (se houver).

8. **Salvar 2 arquivos** no path definido por R9 (cliente nominal → `output/prj_<slug>/`; sem cliente → `output/cost-azure/<YYYYMMDD>_<slug>/`):
   - `cost_report.md` — relatório legível
   - `scenario_used.json` — snapshot do `resources_json` exato

9. **Apresentar links computer://** ao usuário e parar. Supervisor relatará o `cost_report.md` verbatim.

## Cenário 2 — Comparação Regional

**Input:**
> "Compara o mesmo cenário em brazilsouth vs eastus vs westeurope."

**Passos:**

1. Manter a lista de resources idêntica, mudar apenas `region` em cada chamada.
2. Chamar `azure_pricing_estimate_monthly_cost` 3 vezes (uma por região).
3. Apresentar tabela comparativa:

| Componente | brazilsouth | eastus | westeurope |
|---|---|---|---|
| AI Search S1 | $250 | $250 | $265 |
| Fabric F4 | $570 | $525 | $552 |
| Foundry tokens | $80 | $75 | $78 |
| **Total mensal** | $900 | $850 | $895 |

4. Comentar **fatores não-monetários**: data residency, latência, compliance, integração com on-prem.

## Cenário 3 — RI vs PAYG vs Savings Plan

**Input:**
> "Vale a pena RI 3 anos pra esse Standard_D4s_v3 em eastus?"

**Passos:**

1. `compare_reservation_terms("Virtual Machines", "Standard_D4s_v3", region="eastus")`

From ThomazRossito/ai-data-agents, MIT.

More from ThomazRossito/ai-data-agents