程序员转行做跨境,我把选品流程全自动化了

我之前是写 Java 的,在一家中厂干了 4 年后端。2025 年初裸辞,开始做亚马逊美国站。转行一年,踩过的坑比写的代码还多。

　

今天想聊的不是开店流程,而是我作为程序员最擅长的一件事: 把重复劳动全部交给脚本。我花了 2 周时间,搭了一套自动化选品流水线,每天早 9 点自动跑,输出 10 个候选 ASIN 表格推到我微信里,基本不怎么看后台上百个产品列表了。

　

一、为什么我要做这件事

刚开始做选品那会儿,我每天手动打开各类目榜单,挨个看产品标题、星级、月销量、价格、评论数。十个产品看下来眼睛都花了,更别说还要交叉对比。

　

最痛苦的是关键词挖掘。我需要在关键词工具里输词根、看搜索量、看竞品数、查广告竞价,一轮下来半小时没了,一天能查 5 个词就算高效。

　

我算过一笔账: 选品阶段每天要花 2.5 小时看数据,真正做决策的时间不到 20 分钟。剩下的全是机械劳动。这种事,代码最擅长。

　

二、技术选型:为什么是 n8n + CLI + MCP

我做技术选型的时候有三个原则: 必须有真实电商数据源、能跑批量任务、最好别写太多胶水代码。

　

第一版我用的是 Python + requests 自己写爬虫,跑了三天就放弃了 —— 反爬太麻烦,而且数据维度单一。后来换了思路,用现成的工作流工具 + 数据接口。

　

n8n 我之前在公司就用过,定时任务、HTTP 节点、条件分支都现成的,不用从零搭调度系统。免费版自托管就够用,跑在 1 台 2 核 4G 的小服务器上,一年电费不到 100 块。

　

CLI 工具是我的主力。我用的那套 CLI 端点覆盖了 Amazon、Walmart、Shopee、TikTok Shop、Temu 五个平台,一共 60 多个接口。批量查 ASIN、批量拉关键词趋势、批量看类目报告,全靠它。CLI 比直接调 API 方便太多了 —— 不需要管理 token 刷新、不需要写错误重试、参数都标准化好了。

　

MCP 是 Claude 协议的接口层,有 79 个工具,Amazon 32 个、TikTok 8 个、Walmart 14 个、Shopee 15 个、Temu 8 个,加 1 个 1688 货源匹配和 1 个时间服务。CLI 适合写脚本批量跑,MCP 适合让 Agent 智能调用。两者底层数据是同一套,看场景选。

　

三、流水线架构:从 0 到 1 的搭建过程

整套系统分四层,我画个图给大家看:

　

第一层是数据源,就是 CLI + MCP 背后的 79 个工具。每个工具职责单一,比如查产品详情是一个、查关键词趋势是一个、查类目 Top 100 是另一个。组合调用才能拿到完整画面。

　

第二层是任务编排,用 n8n 跑。每天早上 9 点 Cron 触发,执行下面这套流程:

　

第一步,通过 CLI 批量调用类目接口,拉取我关注的 5 个细分类目的 Top 100 产品,每个类目出 100 条,5 个类目 500 条原始数据。这一步用 CLI 跑大概 3 分钟。

　

第二步,把 500 条产品数据丢给一个过滤函数,筛掉月销低于 300、价格不在 15 到 50 美元区间、评分低于 4.0 的。这一步筛完大概剩 80 条。

　

第三步,对剩下的 80 条产品,逐个反查它的核心关键词流量词。这一步调用关键词反查接口,每个产品能拿到 20 到 50 个相关词,80 个产品就是 2000+ 关键词。然后再用关键词趋势接口,过滤掉搜索量低于 1000 的虚词。

　

第四步,把候选 ASIN、关键词、广告竞价、竞品链接整理成 markdown 表格,推送到我微信。每天的工作流到这里就结束了,我只需要打开微信看那张表。

　

第三层是决策层,这是我自己加的。n8n 跑完推送的是冷冰冰的数据,但数据背后的判断 —— 比如这个产品能不能打、竞品强不强、利润空间够不够 —— 还是要靠人。

　

我现在的做法是:每天早上 9 点 15 分,系统推完表格后,我点开看看,有 3 到 5 个值得深挖的,就用 Claude 加上 MCP 工具再深挖一轮。比如让 Agent 调用关键词趋势接口看历史波动、调用产品评论接口看差评痛点、调用 1688 货源匹配接口查采购成本。整个深挖过程 10 分钟搞定。

　

第四层是反馈层,我会把每天最终选中的 ASIN 和实际表现记在一个本地数据库里。跑了一个季度,积累了 200 多个 ASIN 的实际数据,回头能反推哪些筛选条件是有效的、哪些是噪音。这个反馈层是我整套系统最值钱的部分,纯数据驱动选品决策。

　

四、踩过的坑和我的建议

坑 1: 一开始我每个类目都跑 Top 100,数据量太大,n8n 节点超时。后来改成跑 Top 50 够用了,选品阶段不需要那么精细。

　

坑 2: CLI 调接口时,有的接口返回慢,20 个并发就把小服务器打满了。改成串行 + 5 并发,稳定多了,虽然慢一点但不会崩。

　

坑 3: 一开始我想用 Agent 自主决策选什么,完全交给 AI。结果 Agent 选出来的产品一个能打的都没有,完全不懂供应链和物流的现实约束。现在改成 Agent 只做"数据深挖",筛选规则还是我自己定。

　

坑 4: n8n 工作流不要写太复杂。我第一版搞了 30 多个节点,维护成本极高,改一个条件满图找。后来拆成 3 个独立工作流,每个 10 个节点以内,清晰多了。

　

五、收益:每天省 2 小时,选品质量反而更高

这套系统跑了一个季度,我最大的感受有三点:

　

第一, 每天省 2 小时。原来手动查数据要 2.5 小时,现在 15 分钟看表格 + 10 分钟深挖,一共 25 分钟。这 2 小时我拿去看论坛、研究广告打法,产出高多了。

　

第二, 数据更全。我手动查的时候,每个产品最多看 5 个维度。自动化后,每个产品能交叉对比 20+ 个字段,而且是用同一套规则筛,不存在今天严明天松的问题。

　

第三, 反人性。人是有情绪的,今天心情好多看几个,明天累了随便挑两个。机器不会,每天 9 点准时跑,数据稳定可靠。我能更客观地看市场。

　

说出来不怕大家笑话,我转行一年最庆幸的决定就是把程序员的思维带过来 —— 任何重复劳动都值得被自动化。这不是炫技,是 把稀缺的时间花在真正需要判断的地方。

　

六、给同样转行做跨境的程序员朋友

如果你也是技术背景想试水跨境,我建议:

　

1. 不要从零写爬虫,用现成的 CLI 和 MCP 工具,标准化接口能省 80% 的工程量。

　

2. n8n 是好文明,免费 + 自托管 + 节点丰富,做定时任务和工作流编排绰绰有余。

　

3. 数据决策要可回溯,把你每天选品和实际表现都记下来,3 个月后回头看,你会有惊喜。

　

4. Agent 是放大器,不是替代品,让 AI 帮你做数据查询和深挖,决策还是自己来。

　

跨境电商这行,信息差在收窄,工具差在抹平,最后拼的是 谁能更高效地把数据变成决策。我们程序员,刚好擅长这个。

　

以上就是我转行一年搭自动化选品流水线的全部心得。如果你也在用类似的方法做跨境,欢迎评论区交流。