★ FEATURED ARTICLE 1. 为什么用 MCP 做 Amazon 选品比手动翻榜单靠谱做亚马逊选品最耗时间的从来不是看数据而是把数据凑到一起。热词在一个工具里品类容量在另一个后台竞品评论又得手动复制到表格里数痛点。一个类目跑下来半天没了结论还未必站得住。MCPModel Context Protocol解决的就是这个凑数据的环节。你可以把它理解成一个标准插头Claude Code、Cline 这类客户端是电器MCP Server 是插座Amazon 相关的数据服务关键词、类目、评论通过统一协议接进来。模型不再靠你贴文本而是自己决定先查关键词、再拉类目、最后读差评把一条选品链路串起来跑。这套流程适合三类人一是刚做跨境、还没形成选品 SOP 的新手需要一套能复现的固定动作二是已经在跑多个类目、想把重复劳动交给 Agent 的老卖家三是做 AI 工具链、想拿电商场景练手的开发者。核心检索词就三个MCP、Amazon 选品、热词筛选本文全部围绕它们展开。我试过的完整链路是这样的先用 MCP 拉一批种子热词脚本按搜索量、竞争度、相关性打分筛出候选再用 MCP 查候选词对应的类目容量和头部 Listing最后对头部竞品做差评分析找痛点缺口。整条链路里模型调用是统一的但每个 MCP Server 的鉴权方式不一样这才是真正卡人的地方——后面会重点讲怎么用 TaoToken 一个 Key 把调用统一起来。先说清楚边界MCP 负责取数和编排不负责替你拍板。选品决策仍然要你自己看利润、看供应链、看合规。工具只是把原来 4 小时的活压到 40 分钟并且让过程可复现。2. TaoToken 前置一个 Key 打通 MCP 调用链MCP 生态现在最大的摩擦不是协议是每个 Server 一套 Key。你接三个数据源就要管三套凭证、三套额度、三套报错格式。调试的时候光分辨这个 401 是哪个服务的就够烦。TaoToken 在这里的角色是统一入口它提供兼容 OpenAI 风格的 API 地址把模型调用收敛到一个 Base URL 和一个 Key 上。官网是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 。注意 API 地址不带 UTM 参数配置里直接写这个就行。为什么选品场景特别需要它因为选品 Agent 的调用是高频、短请求、多轮——查一个词、拉一次类目、读一批评论几十次调用起步。如果每次都要切换不同厂商的 Key脚本里得写一堆分支判断。统一 Key 之后MCP 客户端只需要认一个地址模型侧的路由、额度、日志都在一处看。具体要准备三样东西第一一个 TaoToken 的 API Key。去控制台创建地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 创建完在 API Keys 页面复制地址 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。Key 只显示一次复制后存到环境变量里别写死在代码里。第二确认你要用的模型 ID。选品分析里热词扩展和差评归类建议用推理强一点的模型纯格式化输出可以用轻量模型省钱。模型列表在 https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 可以查。记住这个 Model ID后面配置里要填。第三一个支持 MCP 的客户端。本文用 Claude Code 演示Cline、Cursor 同理。如果你还没装 Claude Code接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 里面有各客户端的配置示例。注意TaoToken 是模型调用的统一入口不是数据源。Amazon 的关键词、类目、评论数据仍然来自你选的 MCP Server比如 Sorftime 这类电商数据服务。两者分工要分清TaoToken 管模型怎么调MCP Server 管数据从哪来。把 Key 存进环境变量Linux/macOS 下export TAOTOKEN_API_KEYsk-你的key export TAOTOKEN_BASE_URLhttps://taotoken.net/apiWindows PowerShell$env:TAOTOKEN_API_KEYsk-你的key $env:TAOTOKEN_BASE_URLhttps://taotoken.net/api这一步做完模型侧的调用就统一了。接下来配 MCP Server把数据源接进来。3. 可复制配置MCP Server 与热词筛选脚本这一节给两份可直接抄的东西一份 MCP 配置一份热词打分脚本。配置路径按 Claude Code 的实际位置写脚本可以直接跑。3.1 MCP 配置文件Claude Code 的 MCP 配置在项目根目录的.mcp.json或者用户级的~/.claude.json。推荐放项目级方便随项目走。下面这份配置同时接了两个 Server一个电商数据 Server示例用 sorftime你换成自己订阅的服务即可一个通用 HTTP 工具 Server。{ mcpServers: { amazon-research: { command: npx, args: [-y, amazon-sorftime-research-mcp], env: { SORFTIME_API_KEY: 你的数据服务key, TAOTOKEN_API_KEY: sk-你的taotoken-key, TAOTOKEN_BASE_URL: https://taotoken.net/api, MODEL_ID: 你的模型ID } }, fetch: { command: uvx, args: [mcp-server-fetch] } } }三个关键点。第一command和args要和你实际安装的 Server 包名一致npx -y表示自动安装第一次跑会慢一点。第二env里同时放了数据服务的 Key 和 TaoToken 的 Key前者取数后者调模型别混。第三MODEL_ID填你在 TaoToken 模型列表里选的那个比如做差评归类就用推理强的。如果你用 Cline配置写在cline_mcp_settings.json结构一样只是外层键名不同{ mcpServers: { amazon-research: { command: npx, args: [-y, amazon-sorftime-research-mcp], env: { SORFTIME_API_KEY: 你的数据服务key, TAOTOKEN_API_KEY: sk-你的taotoken-key, TAOTOKEN_BASE_URL: https://taotoken.net/api, MODEL_ID: 你的模型ID }, disabled: false, autoApprove: [search_keywords, get_category] } } }autoApprove里放只读类工具避免每次查词都要点确认。写操作类的工具别放进去。3.2 热词筛选脚本MCP 负责取数但打分排序这种确定性逻辑交给脚本更稳、更省钱。下面这个脚本读一份热词原始数据JSON按搜索量、竞争度、相关性三个维度算综合分输出候选清单。import json import math def normalize(values): lo, hi min(values), max(values) if hi lo: return [0.5] * len(values) return [(v - lo) / (hi - lo) for v in values] def score_keywords(rows): # rows: [{keyword:..., search_volume:..., competing:..., relevance:...}] volumes [r[search_volume] for r in rows] comps [r[competing] for r in rows] rels [r[relevance] for r in rows] n_vol normalize(volumes) n_comp normalize(comps) n_rel normalize(rels) scored [] for i, r in enumerate(rows): # 搜索量越高越好竞争度越低越好相关性越高越好 score 0.45 * n_vol[i] 0.35 * (1 - n_comp[i]) 0.20 * n_rel[i] scored.append({ keyword: r[keyword], search_volume: r[search_volume], competing: r[competing], relevance: r[relevance], score: round(score, 4) }) scored.sort(keylambda x: x[score], reverseTrue) return scored if __name__ __main__: with open(raw_keywords.json, r, encodingutf-8) as f: data json.load(f) result score_keywords(data) with open(scored_keywords.json, w, encodingutf-8) as f: json.dump(result, f, ensure_asciiFalse, indent2) for item in result[:10]: print(f{item[score]:.4f} {item[keyword]} vol{item[search_volume]} comp{item[competing]})权重 0.45/0.35/0.20 是我调过几轮的默认值搜索量权重最高因为没量的词再蓝海也没意义竞争度次之相关性兜底防止跑偏。你可以按类目改比如做小众高客单把相关性提到 0.3。raw_keywords.json的格式长这样字段名按你 MCP 返回的实际结构改[ {keyword: wireless earbuds, search_volume: 120000, competing: 85000, relevance: 0.95}, {keyword: bluetooth headphones, search_volume: 90000, competing: 60000, relevance: 0.90}, {keyword: earbuds with mic, search_volume: 45000, competing: 20000, relevance: 0.85} ]跑完输出scored_keywords.json前 10 名直接打印。这一步把哪些词值得深挖定下来后面 MCP 只对候选词做深度查询省调用。4. 验证请求从热词到竞品差评跑通一次配置和脚本就位后要验证整条链路真的通。分三步先验模型调用再验 MCP 取数最后跑一次完整选品。4.1 验证 TaoToken 模型调用先用 curl 确认 Key 和地址没问题curl https://taotoken.net/api/v1/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: 你的模型ID, messages: [{role: user, content: 用一句话说明亚马逊选品为什么要看差评}], max_tokens: 100 }返回里能看到choices[0].message.content就说明模型侧通了。如果报 401先查 Key 有没有复制全、有没有多余空格。如果报 model not found回模型列表核对 ID 拼写。4.2 验证 MCP 取数在 Claude Code 里输入/mcp查看已连接的 Server 列表能看到amazon-research且状态是 connected 就对了。然后直接对话触发工具调用帮我查一下 wireless earbuds 这个关键词在美国站的月搜索量和竞争商品数模型会调用 MCP 里的search_keywords工具。你会在界面上看到工具调用记录返回结构里包含搜索量、竞争数等字段。把返回的 JSON 存成raw_keywords.json多查几个词凑一批喂给第 3 节的脚本。4.3 跑一次完整选品完整链路是这样串的第一步用 MCP 批量拉 20 个种子词的数据存成raw_keywords.json。第二步跑脚本python score_keywords.py输出前 10 个候选词。第三步对排名第一的词让 MCP 查它的头部 Listing查一下 earbuds with mic 美国站前 10 个 Listing 的 ASIN、价格、评分、评论数第四步挑评论数最多的那个 ASIN做差评分析分析 ASIN B09DT48V16 的 1-3 星差评按电子模块故障、结构组装、设计功能、外观材质、描述不符、服务物流六个维度归类输出每个维度的占比和典型原话模型会调 MCP 拉评论再按你给的六维框架归类。这一步的输出就是选品决策的核心依据哪个痛点出现频率最高就是你的产品改进方向。实测下来整条链路从拉词到出差评报告20 个词规模大概 15 分钟其中大部分时间在等 MCP 取数。比手动快的地方在于过程可复现换个类目重跑一遍就行不用重新想流程。5. 常见报错排查401、local proxy failed 与 choices 为空这一节按真实报错来每个都给定位方法和修复动作。401 Unauthorized。两种可能一是 TaoToken Key 错了二是数据服务的 Key 错了。区分方法看报错来源——如果报错发生在模型调用阶段比如对话没响应查TAOTOKEN_API_KEY如果发生在工具调用阶段MCP 取数失败查数据服务的 Key。修复重新复制 Key确认环境变量在当前 shell 生效echo $TAOTOKEN_API_KEY看有没有值。注意 Key 前后不能有空格和换行。local proxy failed / connection refused。这是 MCP Server 进程没起来。常见原因是npx包名写错或者 Node 版本太低。先手动跑一次npx -y amazon-sorftime-research-mcp看终端报什么。如果是包不存在核对包名如果是权限问题检查 npm 全局目录。另外公司网络环境可能拦截 npm 源换成可访问的镜像源再试。reading choices of undefined。这个报错说明模型返回体里没有choices字段通常是请求格式不对或模型 ID 不存在。检查三点请求体是不是标准 OpenAI 格式messages数组、model字段model值是不是在 TaoToken 模型列表里Content-Type有没有写application/json。还有一种情况是返回了错误对象但被当成正常响应解析打印完整返回体就能看到真实错误。OAuth 相关报错。部分 MCP Server 用 OAuth 鉴权第一次连接会弹浏览器授权。如果卡在授权页检查回调地址有没有被防火墙拦。Claude Code 里可以先用/mcp看 Server 状态如果是needs auth按提示重新走授权流程。授权 token 过期后也会报这个重新授权即可。工具调用返回空。MCP 连上了但查不到数据多半是参数不对。比如站点参数要写US而不是usASIN 要 10 位。让模型把调用参数打印出来核对比猜快。Codex auth.json 场景。如果你用 Codex 类客户端鉴权信息在~/.codex/auth.json。这个文件里要同时有模型侧的凭证和数据服务的凭证缺一个就会在对应环节失败。改完记得重启客户端配置不会热加载。排查顺序建议固定先验模型调用curl再验 MCP 连接/mcp最后验工具参数打印入参。三层分开测比一上来就跑完整链路容易定位。6. 把选品链路固化成可复用的 Skill跑通一次不算完能重复跑才有价值。把上面这套流程固化成一个 Skill下次换个类目直接调用。Skill 的本质是一份 Markdown 指令文件放在 Claude Code 的 skills 目录下。内容就是把第 4 节的四步写成固定动作加上参数占位符。比如# amazon-selection ## 输入 - 种子词{{seed_keyword}} - 站点{{site}} ## 步骤 1. 调用 search_keywords 拉取种子词及扩展词的搜索量、竞争数 2. 将结果写入 raw_keywords.json 3. 运行 score_keywords.py取前 10 候选词 4. 对第一名调用 get_listing 拉头部 ASIN 5. 对评论数最多的 ASIN 调用 review_analysis按六维框架归类差评 6. 输出报告到 reports/{{seed_keyword}}_{{site}}.md调用时输入/amazon-selection seed_keywordwireless earbuds siteUS模型按步骤跑完。这样每次选品动作一致报告结构一致方便横向对比不同类目。长期跑的话建议把模型调用走 Coding Plan地址 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 高频短请求的场景下额度更可控。纯验证模型效果可以用模型对话地址 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 不用配客户端就能试。接入细节和更多客户端示例在文档 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content Key 管理在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content 。最后给个实用技巧热词打分脚本的权重别一次定死跑三个类目后回看哪个维度和最终利润相关性最高再调权重。我自己的经验是做标品时竞争度权重可以提到 0.4做非标品时相关性权重提到 0.3 更准。脚本里改两个数字的事但结论质量差很多。
阅读完成 · 觉得有帮助？
