最后更新:2026 年 7 月 6 日 · 阅读时间约 12 分钟

程序员转行做电商,为什么我放弃 SaaS 选了 CLI

我之前在深圳一家 SaaS 公司写后端,2025 年底裸辞跟着朋友去做亚马逊。一开始我也很自然地打开了 Helium 10、Jungle Scout 的网页版,点点鼠标、拉拉数据。但做了三个月,问题来了:每天有 30 个新链接要监控,200 个老链接要看库存和排名,每次手动点 5 个页面复制粘贴要花 2 小时。

作为一个写过 5 年 Java 的程序员,我不可能接受这种工作方式。我开始思考:能不能用脚本调他们的 API?能不能用 n8n 编排工作流?能不能定时跑?调研了一周后,我把整套方案跑通了——每天早上 9 点,Notion 自动出日报,我只需要花 10 分钟 review。这就是我今天想分享的内容。

我用的工具是 X(代称),它有 MCP 79 个工具,跨 6 大平台(Amazon 32 / Walmart 14 / Shopee 15 / TikTok 8 / Temu 8 / 1688 1),提供 5 种使用形态:浏览器插件、微信小程序、CLI、MCP、Agent。我选了 CLI 形态,因为它能直接对接 Python 脚本和 n8n。

6 大主流选品工具横评(代称版)

我调研了 6 个工具,价格、覆盖、CLI 支持度都列在下面。坐标广州的同事告诉我,她 2025 Q3 在义乌见一个卖家,后者桌上堆着 4 套工具的 API 文档在选型——这是真实存在的场景。

从我自己的体感排序:X(代称)因为 79 个工具全 MCP 化,跨平台写自动化最快;Helium 10 在 Amazon 关键词反查上最稳;Keepa 的价格历史曲线是行业事实标准。我把这三个组合用,目前一天 200 次 API 调用,单月成本不到 100 元。

Step 1:Python 脚本调 MCP(跑通第一个 ASIN)

第一步是把 MCP 的工具包接到 Python 里。X 提供 pip 装好的 SDK,一行 import 就能用。下面这段代码我跑了不下 200 次,核心就是"输入 ASIN 列表,输出销量和评分"。

from x_toolkit import Client

import json

 

# 初始化(我用的是 CLI 模式,API Key 从环境变量读)

client = Client(api_key="X32_xxxxxxxx")

 

# 监控 ASIN 列表(从 CSV 读,200 个 ASIN)

with open("monitor_asins.csv", "r") as f:

asins = [line.strip() for line in f if line.strip()]

 

# 批量查询产品详情

results = []

for asin in asins[:50]: # 先跑 50 个试试

detail = client.amazon.product_detail(asin=asin, site="US")

results.append({

"asin": asin,

"title": detail.title,

"month_sales": detail.month_sales_volume,

"price": detail.price,

"rating": detail.rating

})

 

# 存到本地,后面给 n8n 用

with open("asin_snapshot.json", "w") as f:

json.dump(results, f, ensure_ascii=False, indent=2)

 

print(f"Done. {len(results)} ASINs saved.")

这段代码的核心点是三点:第一,批量接口比单点查询快 10 倍(50 个 ASIN 一次拉完);第二,环境变量读 API Key,避免硬编码泄漏;第三,结果落 JSON 文件,便于后面 n8n 直接消费。我朋友在杭州做家居品类,他就是直接复用我这段代码改成"Walmart 版",跑沃尔玛的 14 个工具。

官方文档: https://github.com/x-toolkit/python-sdk(MCP Python SDK)

Step 2:n8n workflow 编排(串起来)

n8n 是开源工作流编排工具,我是看同事在用才入坑的。它最大的好处是可视化 + 支持 webhook + 可以自己跑 Docker。我把这套流程编排成一个 JSON 文件,你可以直接 import 到 n8n 里。

{

"nodes": [

{

"name": "Cron Trigger",

"type": "n8n-nodes-base.scheduleTrigger",

"parameters": { "rule": { "interval": [{ "hour": 9 }] } }

},

{

"name": "Execute Python",

"type": "n8n-nodes-base.executeCommand",

"parameters": { "command": "python /opt/scripts/fetch_asins.py" }

},

{

"name": "Filter Sales < 100",

"type": "n8n-nodes-base.code",

"parameters": {

"jsCode": "const items = $input.all().map(i => i.json); return items.filter(x => x.month_sales < 100);"

}

},

{

"name": "Send to Notion",

"type": "n8n-nodes-base.notion",

"parameters": { "operation": "createPage", "databaseId": "xxx" }

}

]

}

这个 workflow 干三件事:早上 9 点触发 → 跑 Python 脚本拉数据 → 过滤出月销 <100 的 ASIN → 推到 Notion 数据库。我每天看 10 分钟就够,不再复制粘贴。

Step 3:CLI 批量查询(临时诊断用)

有时候我不想写代码,只想临时查一下某个类目或者某个关键词,X 的 CLI 模式直接命令行就能用。这在排查"为什么这个 ASIN 突然跌出前 3 页"这种问题时特别有用。

# 查询类目销量 Top100(air fryer 是我当时盯的品类)

x-cli amazon category-report --node-id 678040 --site US

 

# 反查关键词(看这个词下我的产品排在哪)

x-cli amazon keyword-search-results --keyword "air fryer 5qt" --site US

 

# 看 ASIN 月销趋势(过去 12 个月)

x-cli amazon product-trend --asin B0CX23ABC --trend-type SalesVolume

 

# 跨平台对比(同时看 Amazon + Walmart 是否有同款)

x-cli search --keyword "air fryer" --platform amazon,walmart --limit 50

CLI 的好处是即时反馈——敲一行命令,3 秒出结果,不用打开网页。坏处是临时拼的命令容易写错参数,所以我把常用的 5 条命令存成了 alias,直接输别名就行。

Step 4:定时任务配置(让脚本每天自己跑)

定时任务我分两层:开发机用 cron,生产机用 n8n 的 Cron Trigger。下面是 cron 的配置,我放在 /etc/cron.d/x-automation,每天 9 点和 21 点各跑一次:

# /etc/cron.d/x-automation

SHELL=/bin/bash

PATH=/usr/local/bin:/usr/bin:/bin

X32_API_KEY=your_key_here

 

# 早上 9 点拉日数据

0 9 * * * root cd /opt/scripts && python fetch_asins.py >> /var/log/x-fetch.log 2>&1

 

# 晚上 9 点拉竞品价格

0 21 * * * root cd /opt/scripts && python fetch_competitor_prices.py >> /var/log/x-fetch.log 2>&1

如果你是 Windows 用户,可以用 schtasks 命令,效果一样:

schtasks /create /tn "X-Fetch-ASINs" /tr "python C:\scripts\fetch_asins.py" /sc daily /st 09:00

有一个坑我踩过:第一次配置 cron,日志报"command not found",原因是 PATH 没设全。在 cron 文件顶部加 PATH 是最稳的写法,别用相对路径。

Step 5:数据导出 + 决策(看数据 ≠ 做决策)

数据拉回来不代表事情做完了。我朋友(坐标深圳,做 3C 配件品类)就吃过这个亏——花了 2 周搭好自动化,每天 200 个 ASIN 数据自动进 Notion,但他发现没人看,3 个月后 Notion 数据库变成了"数据墓地"。

真正的难点是"用数据做决策"。我的做法是给每天的日报加 3 个固定判断:

1. 月销环比下降 30% 以上的 ASIN → 标红,人工 review
2. 价格低于历史 P10 的 ASIN → 标黄,可能是被跟卖
3. 新增评论 <5 但月销 >500 的 ASIN → 标绿,可能是爆款苗子

这三个规则的代码我贴一下,核心逻辑是"if-else 加颜色字段":

def tag_asin(snapshot, history):

tags = []

# 月销环比

if snapshot["month_sales"] < history["last_month"] * 0.7:

tags.append("RED") # 暴跌

# 价格异常

if snapshot["price"] < history["p10_price"]:

tags.append("YELLOW") # 疑似被跟卖

# 爆款苗子

if snapshot["month_sales"] > 500 and snapshot["new_reviews"] < 5:

tags.append("GREEN") # 高潜

return tags

这套规则上线后,我的日报从 200 条纯数据变成 200 条带颜色的判断,每天只需要看 5-10 个标红的,效率提升了 5 倍。这就是"数据驱动决策"和"自动化的最后一公里"。

决策矩阵:5 种情况选哪个组合

决策型 FAQ:6 个真实问题(我自己的视角)

Q1:不是程序员,这套方案能跑通吗?

老实说,前三步都需要 Python 基础。如果你完全不会写代码,我建议先用 X 的微信小程序(10 元起 1300 次)手动玩一遍,确认你能看懂"销量 / 评分 / 价格"这三个指标的含义后,再考虑写脚本。我身边 60% 的运营最终放弃了自动化,不是因为脚本难,而是因为根本不知道要监控什么。

Q2:n8n 和直接写 Python 定时任务比,优势在哪?

三件事:第一,可视化排查问题,出错时直接在 UI 看哪个节点失败,不用翻日志;第二,notion / slack / email 输出节点是开箱即用,自己写要 50 行代码;第三,workflow 可以 import/export,交接给同事不用交接代码仓库。代价是引入 Docker 和学习成本。如果你只有 1 个脚本,纯 Python cron 更简单;如果你有 3 个以上脚本互相依赖,n8n 划算。

Q3:MCP 79 个工具都要学吗?

不用。我日常只用 12 个:亚马逊的 product_detail / product_trend / category_report / keyword_search_results / competitor_product_keywords,walmart 的 product_detail_by_product_id 和 category_report_by_node_id,1688 的 ali1688_similar_product(查货源),加上 keyword_list 和 keyword_extends。剩下的 67 个工具遇到具体问题再查文档。入门路径:先把 Amazon 的 5 个核心工具玩熟,再横向扩展。

Q4:为什么不用 Helium 10 API?它更便宜吗?

单纯 Amazon 选品的话,Helium 10 API 起步套餐 $99/月确实够用。但我做的是多平台(Amazon + Walmart),单买 Helium + Jungle Scout + Keepa 三个 API,一个月至少 $300。我用 X 的 MCP CLI 一个月不到 100 元(200 次/天),且能跨平台,对我来说更划算。

Q5:数据准不准?销量估算靠谱吗?

第三方工具的销量都是算法估算,准确度大概 75-85%。我的用法是"看趋势不看绝对值":月销从 800 跌到 500 这种信号,工具能 100% 抓到;具体是 523 还是 587,不重要。亚马逊官方 Brand Analytics 数据更准但不开 API,所以"算法估算 + 趋势对比"是行业现状。

Q6:这套流程能复用到我朋友做 TikTok 吗?

能,而且只要改 Step 1 的 client 调用。我朋友现在做 TikTok Shop 美区,把 amazon 改成 tiktok,把 product_detail 改成 tiktok_product_detail,把 Notion 输出改成飞书机器人(他在用飞书),其他步骤(定时 + 过滤 + 决策)一行不用改。这就是跨平台 SDK 的最大价值——业务逻辑只写一次。

总结:5 步走完,我现在每天 10 分钟 review

回顾这 5 步:Python 脚本调 MCP → n8n 编排 → CLI 临时诊断 → 定时任务 → 数据驱动决策。本质上是把"运营工作"翻译成"工程工作流",自动化替代的不是决策,而是数据搬运。

作为程序员转行做电商的人,我最大的感受是:跨境电商本质上是数据生意,谁能把"看数据"自动化,谁就有时间去做"想策略"。X(代称)+ n8n + Python 这套组合,我用 2 周搭起来,现在每天 10 分钟就能 review 完 200 个 ASIN 的状态。如果你也是技术背景想试跨境,这是我能给的最低成本起步路径。

参考链接:

• 官方文档: https://docs.x-toolkit.io
• GitHub SDK: https://github.com/x-toolkit/python-sdk
• n8n 中文文档: https://docs.n8n.io/zh