К основному содержанию
скилл CX Codex

price-api — скилл для Claude Code: цены и установка

Скилл price-api для Claude Code получает цены стройматериалов из открытых API, рассчитывает тренды и региональные поправки. Используется при обновлении смет и баз затрат.

MIT 116 установок ★ 434 обновлён 2026-10-19

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add datadrivenconstruction/DDC_Skills_for_AI_Agents_in_Construction --skill price-api -a claude-code
Открыть на GitHub

Что делает price-api

Скилл обращается к FRED API и получает исторические значения для стали, пиломатериалов, бетона, меди и алюминия. Результаты оформляются как записи с материалом, ценой, единицей, валютой, датой, источником и регионом. Данные можно преобразовать в pandas.DataFrame.

ConstructionPriceTracker считает изменения за неделю, месяц и год, а затем определяет направление тренда. Он также применяет региональные коэффициенты для US_National, регионов США, Германии, Великобритании и Франции и обновляет цены в базе затрат через DataFrame. Для работы нужен python3; реализация также использует requests и pandas. Ключ FRED можно передать при создании клиента.

Какие задачи решает

  • получить историю цен стройматериалов из FRED
  • рассчитать недельное, месячное и годовое изменение
  • определить направление тренда по цене
  • применить региональный коэффициент к базовой цене
  • обновить цены материалов в базе затрат

Примеры запросов агенту

  • Получи данные FRED по стали за нужный период и покажи их как таблицу.
  • Рассчитай для этого набора цен недельное, месячное и годовое изменение.
  • Примени коэффициент US_Northeast к базовой цене материала и обнови базу затрат.

Как установить price-api

1Через Skills CLI (Vercel)

npx skills add datadrivenconstruction/DDC_Skills_for_AI_Agents_in_Construction --skill price-api -a claude-code

2Вручную: положить файлы

~/.claude/skills/price-api/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/price-api/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о price-api

Как установить price-api в Claude Code?

Выполните npx skills add datadrivenconstruction/DDC_Skills_for_AI_Agents_in_Construction --skill price-api -a claude-code, затем проверьте файл ~/.claude/skills/price-api/SKILL.md.

Что делает price-api?

Скилл получает цены стройматериалов через FRED API, преобразует их в таблицу, анализирует изменения и применяет региональные коэффициенты.

Что нужно для работы price-api?

Нужен python3. В коде используются библиотеки requests и pandas, а ключ FRED API можно передать клиенту отдельно.

Исходный текст

SKILL.md · MIT
---
name: "price-api"
description: "Fetch construction material prices from open APIs. Track price trends, regional variations, and update cost databases."
homepage: "https://datadrivenconstruction.io"
metadata: {"openclaw": {"emoji": "🌐", "os": ["darwin", "linux", "win32"], "homepage": "https://datadrivenconstruction.io", "requires": {"bins": ["python3"]}}}
---
# Price API for Construction Materials

## Overview
Material prices fluctuate constantly. This skill fetches prices from open sources, tracks trends, and updates cost databases with current market data.

## Python Implementation

```python
import requests
import pandas as pd
from typing import Dict, Any, List, Optional
from dataclasses import dataclass, field
from datetime import datetime, timedelta
from enum import Enum
import json


class MaterialCategory(Enum):
    """Construction material categories."""
    CONCRETE = "concrete"
    STEEL = "steel"
    LUMBER = "lumber"
    COPPER = "copper"
    ALUMINUM = "aluminum"
    CEMENT = "cement"
    AGGREGATES = "aggregates"
    ASPHALT = "asphalt"


@dataclass
class MaterialPrice:
    """Material price point."""
    material: str
    price: float
    unit: str
    currency: str
    source: str
    date: datetime
    region: str = ""


@dataclass
class PriceTrend:
    """Price trend analysis."""
    material: str
    current_price: float
    week_change: float
    month_change: float
    year_change: float
    trend_direction: str  # 'up', 'down', 'stable'


class OpenPriceAPI:
    """Client for open material price APIs."""

    # Commodity price sources
    FRED_BASE = "https://api.stlouisfed.org/fred/series/observations"

    # FRED Series IDs for construction commodities
    FRED_SERIES = {
        'steel': 'WPU101',
        'lumber': 'WPS0811',
        'concrete': 'WPU133',
        'copper': 'PCOPPUSDM',
        'aluminum': 'PALUMUSDM'
    }

    def __init__(self, fred_api_key: Optional[str] = None):
        self.fred_api_key = fred_api_key

    def get_fred_prices(self, material: str,
                        start_date: str = None,
                        end_date: str = None) -> List[MaterialPrice]:
        """Get prices from FRED API."""

        if material.lower() not in self.FRED_SERIES:
            return []

        series_id = self.FRED_SERIES[material.lower()]

        if start_date is None:
            start_date = (datetime.now() - timedelta(days=365)).strftime('%Y-%m-%d')
        if end_date is None:
            end_date = datetime.now().strftime('%Y-%m-%d')

        params = {
            'series_id': series_id,
            'observation_start': start_date,
            'observation_end': end_date,
            'file_type': 'json'
        }

        if self.fred_api_key:
            params['api_key'] = self.fred_api_key

        try:
            response = requests.get(self.FRED_BASE, params=params)
            if response.status_code != 200:
                return []

            data = response.json()
            observations = data.get('observations', [])

            prices = []
            for obs in observations:
                try:
                    price = float(obs['value'])
                    prices.append(MaterialPrice(
                        material=material,
                        price=price,
                        unit='index',
                        currency='USD',
                        source='FRED',
                        date=datetime.strptime(obs['date'], '%Y-%m-%d'),
                        region='US'
                    ))
                except (ValueError, KeyError):
                    continue

            return prices

        except Exception as e:
            print(f"Error fetching FRED data: {e}")
            return []

    def to_dataframe(self, prices: List[MaterialPrice]) -> pd.DataFrame:
        """Convert prices to DataFrame."""
        data = [{
            'material': p.material,
            'price': p.price,
            'unit': p.unit,
            'currency': p.currency,
            'source': p.source,
            'date': p.date,
            'region': p.region
        } for p in prices]
        return pd.DataFrame(data)


class ConstructionPriceTracker:
    """Track and analyze construction material prices."""

    # Default regional factors
    REGIONAL_FACTORS = {
        'US_National': 1.0,
        'US_Northeast': 1.15,
        'US_Southeast': 0.95,
        'US_Midwest': 0.92,
        'US_West': 1.10,
        'Germany': 1.25,
        'UK': 1.20,
        'France': 1.18
    }

    def __init__(self):
        self.price_cache: Dict[str, pd.DataFrame] = {}

    def calculate_trend(self, prices: pd.DataFrame) -> PriceTrend:
        """Calculate price trend from historical data."""

        if prices.empty or 'price' not in prices.columns:
            return None

        prices = prices.sort_values('date')
        current = prices['price'].iloc[-1]

        # Calculate changes
        week_ago_idx = len(prices) - 7 if len(prices) >= 7 else 0
        month_ago_idx = len(prices) - 30 if len(prices) >= 30 else 0
        year_ago_idx = len(prices) - 365 if len(prices) >= 365 else 0

        week_price = prices['price'].iloc[week_ago_idx]
        month_price = prices['price'].iloc[month_ago_idx]
        year_price = prices['price'].iloc[year_ago_idx]

        week_change = ((current - week_price) / week_price * 100) if week_price else 0
        month_change = ((current - month_price) / month_price * 100) if month_price else 0
        year_change = ((current - year_price) / year_price * 100) if year_price else 0

        # Determine trend
        if month_change > 5:
            trend = 'up'
        elif month_change < -5:
            trend = 'down'
        else:
            trend = 'stable'

        return PriceTrend(
            material=prices['material'].iloc[0],
            current_price=current,
            week_change=round(week_change, 2),
            month_change=round(month_change, 2),
            year_change=round(year_change, 2),
            trend_direction=trend
        )

    def apply_regional_factor(self, base_price: float,
                              region: str) -> float:
        """Apply regional price factor."""
        factor = self.REGIONAL_FACTORS.get(region, 1.0)
        return base_price * factor

    def update_cost_database(self, cost_df: pd.DataFrame,
                             price_updates: Dict[str, float],
                             date_column: str = 'last_updated') -> pd.DataFrame:
        """Update cost database with new prices."""
        updated = cost_df.copy()

        for material, price in price_updates.items():
            # Find rows with this material
            mask = updated['material'].str.lower() == material.lower()
            if mask.any():
                # Calculate adjustment factor
                old_price = updated.loc[mask, 'unit_price'].mean()
                factor = price / old_price if old_price > 0 else 1

                # Update prices
                updated.loc[mask, 'unit_price'] *= factor
                updated.loc[mask, date_column] = datetime.now()

        return updated


class MaterialPriceEstimator:
    """Estimate material prices when API data unavailable."""

    # Reference prices (USD per unit, as of 2024)
    REFERENCE_PRICES = {
        'concrete_m3': 120,
        'rebar_ton': 800,
        'structural_steel_ton': 1200,
        'lumber_mbf': 450,
        'copper_wire_kg': 12,
        'brick_1000': 550,
        'cement_ton': 130,
        'sand_m3': 35,
        'gravel_m3': 40,
        'drywall_m2': 8,
        'insulation_m2': 25
    }

    def estimate_price(self, material: str,
                       region: str = 'US_National',
                       inflation_adjustment: float = 0) -> float:
        """Estimate current price for material."""
        base_price = self.REFERENCE_PRICES.get(material, 0)

        if base_price == 0:
            return 0

        # Apply inflation
        adjusted = base_price * (1 + inflation_adjustment)

        # Apply regional factor
        tracker = ConstructionPriceTracker()
        return tracker.apply_regional_factor(adjusted, region)

    def bulk_estimate(self, materials: List[str],
                      region: str = 'US_National') -> pd.DataFrame:
        """Estimate prices for multiple materials."""
        estimates = []
        for material in materials:
            price = self.estimate_price(material, region)
            estimates.append({
                'material': material,
                'estimated_price': price,
                'region': region,
                'source': 'estimate',
                'date': datetime.now()
            })
        return pd.DataFrame(estimates)
```

## Quick Start

```python
# Initialize price API
api = OpenPriceAPI(fred_api_key="your_key")

# Get steel prices
steel_prices = api.get_fred_prices('steel')
df = api.to_dataframe(steel_prices)
print(df.tail())

# Analyze trend
tracker = ConstructionPriceTracker()
trend = tracker.calculate_trend(df)
print(f"Steel trend: {trend.trend_direction}, YoY: {trend.year_change}%")
```

## Common Use Cases

### 1. Update Cost Database
```python
tracker = ConstructionPriceTracker()

# New prices from market
updates = {'steel': 1250, 'concrete': 135, 'lumber': 480}

# Update database
updated_db = tracker.update_cost_database(cost_df, updates)
```

### 2. Regional Pricing
```python
base_price = 120  # concrete USD/m3
berlin_price = tracker.apply_regional_factor(base_price, 'Germany')
print(f"Berlin price: ${berlin_price}/m3")
```

### 3. Bulk Estimation
```python
estimator = MaterialPriceEstimator()

materials = ['concrete_m3', 'rebar_ton', 'lumber_mbf']
estimates = estimator.bulk_estimate(materials, region='US_West')
print(estimates)
```

## Resources
- **DDC Book**: Chapter 2.2 - Open Data Sources
- **FRED API**: https://fred.stlouisfed.org/docs/api/

© datadrivenconstruction · MIT · datadrivenconstruction/DDC_Skills_for_AI_Agents_in_Construction

Похожие скиллы

Все скиллы по теме «Бэкенд и API» →
api-data-fetcher Awesome Econ AI Community Скилл api-data-fetcher для Claude Code получает экономические показатели через FRED, World Bank и другие API. Загружает данные для обновляемых расчётов и панельных датасетов. CX Codex +1 208установок aibijia-price-comparison reason-machines Скилл aibijia-price-comparison помогает настроить сбор и сравнение цен на токены нейросетей и ключи подписок с площадок реселлеров. Пригодится при поиске дешёвых аккаунтов. CX Codex +1 287установок price-optimization-tool nexscope-ai Скилл price-optimization-tool для Claude Code, Codex, Cursor и других агентов — считает кандидатные цены по юнит-экономике и проектирует контролируемые ценовые эксперименты. CX Codex +1 743установок competitor-price-analysis nexscope-ai Скилл competitor-price-analysis разбирает цены конкурентов по сегментам, ищет незанятые ценовые точки и подсказывает, где встать по цене. CX Codex +1 1 400установок competitor-price-tracker OneWave-AI Скилл competitor-price-tracker для Claude Code: мониторит страницы с ценами конкурентов, отмечает изменения, разбирает скидочные циклы и акции. Регулярно сверяет прайсы, которые вручную не уследить. CX Codex +1 479установок Elecz Electricity Price Signal API zemloai-ctrl Elecz Electricity Price Signal API — MCP-сервер для Claude Code, который сообщает текущую цену электричества и дешёвые часы. Агент вызывает его для вопросов о зарядке электромобиля, бытовых приборах и выборе тарифа. CX Codex +1 ★ 5звёзд репо

Из того же набора156

Весь набор →
cwicr-value-engineering Скилл cwicr-value-engineering анализирует строительные сметы по базе CWICR, находит более дешёвые альтернативы материалам и фиксирует экономию. CX Codex +1 116установок labor-allocation Скилл labor-allocation для Claude Code распределяет рабочих по проектным задачам и ведёт учёт посещаемости. Помогает сверять загрузку и назначения бригады. CX Codex +1 116установок cwicr-overhead-markup Скилл cwicr-overhead-markup применяет к прямым затратам накидки на накладные расходы, прибыль и страхование. Считает полную стоимость строительных работ из CWICR-оценок с настраиваемыми ставками. CX Codex +1 116установок n8n-photo-report Скилл n8n-photo-report автоматизирует подготовку строительных фотоотчётов через n8n и нейросетевой анализ изображений. Помогает сортировать кадры с площадки и фиксировать нарушения. CX Codex +1 116установок clash-resolution-analyzer Скилл clash-resolution-analyzer для Claude Code разбирает отчёты о коллизиях в BIM. Он расставляет приоритеты пересечений, находит системные паттерны и назначает ответственные разделы проекта. CX Codex +1 115установок retention-tracker Скилл retention-tracker для Claude Code учитывает удержанные суммы в строительных проектах. Помогает вести удержания по субподрядчикам и отмечать условия их возврата. CX Codex +1 115установок data-profiler Скилл data-profiler для Claude Code анализирует таблицы со строительными данными. Выявляет пропуски, дубликаты, аномалии в сметах и сопоставляет форматы шифров до загрузки в ETL. CX Codex +1 115установок data-anomaly-detector Скилл data-anomaly-detector для Claude Code ищет аномалии в строительных данных статистическими и ML-методами. Находит выбросы в расходах, отклонения сроков и скачки производительности. CX Codex +1 115установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой