
做亚马逊选品和采购,商品价格、卖家报价和运费经常变化。每天人工打开商品页面逐个检查,不仅耗时,也很难及时发现价格波动。
其实,这类重复工作很适合交给 AI Agent。
这篇文章介绍一套可以实际跑起来的方案:使用 OpenCode 搭建一个比价智能体,通过 Apify 抓取亚马逊商品信息,再用定时任务每天自动执行,最后接入微信机器人,把整理好的比价简报直接推送到手机。
整个流程中,FluxLane 负责提供模型 API。通过一个 API Key,就能接入 GPT、Claude、Kimi、DeepSeek 等主流模型。日常价格巡检可以使用成本较低的模型,遇到复杂的选品分析时,再切换到能力更强的模型,模型成本也就能根据任务需要灵活调整。
为什么选择 OpenCode + FluxLane
搭建一个每天自动运行的比价智能体,听起来需要不少开发工作。但如果把任务拆开来看,实际需要的组件并不复杂:
| 组件 | 承担角色 |
| OpenCode | 智能体运行环境:负责理解任务、调用工具和整理结果 |
| FluxLane API | 模型接口:负责推理、分析和生成简报 |
| Apify MCP | 数据抓取工具:负责获取亚马逊商品信息和价格 |
| 企业微信机器人 / Server酱 | 消息推送:负责把简报发送到手机 |
这套组合的优势在于,前期试跑不需要购买一整套固定订阅服务。OpenCode 本身开源,Apify 提供免费额度,FluxLane 则按实际模型调用量计费。
模型选择也比较灵活。比如,每天两次的价格巡检、数据整理和简报生成,可以先用 DeepSeek、Kimi 这类性价比较高的模型;如果需要分析多个商品的竞争情况,或者评估某个品类的采购机会,再切换到 Claude、GPT 等模型进行更深入的分析。
这样就不必为了偶尔才用到的复杂分析,长期承担 ChatGPT Plus 或 Claude Pro 这类固定月费。对于调用频率不高的任务,按量计费通常更容易控制成本。
另外,FluxLane 提供 Claude 与 GPT 等模型资源,并支持 OpenCode、Codex、Claude Code、WorkBuddy、Kimi Code、VS Code 等多种 Agent 工具接入,个人开发者和企业团队都可以根据自己的工作环境选择接入方式。
准备工作:四个组件就位
首先安装 OpenCode。macOS 和 Windows 都支持,安装过程比较简单。
接下来配置 FluxLane。创建 API Key,在 OpenCode 中添加 OpenAI 兼容的自定义提供商,再选择需要使用的模型即可。FluxLane 官方 OpenCode 接入文档提供了完整说明,按照文档操作通常几分钟就能完成。
然后安装 Apify 的官方 MCP。配置完成后,需要确认 OpenCode 已经成功连接 Apify MCP,并完成 Apify 账号授权。如果新添加的 MCP 工具没有立即出现在当前会话中,可以重新加载配置或开启新会话。
最后,创建一个专门的项目目录,例如 sourcing-agent。后续的角色文件、抓取结果 CSV 和生成的简报都放在这个目录中,定时任务也会从这里启动。
到这里,运行环境就准备好了。
第一步:配置智能体的抓取能力
接下来要解决的是:怎样让 Agent 知道该调用哪个抓取工具,以及如何处理返回的数据?
这里有两种方式,可以根据自己的时间和技术基础选择。
方式一:自己配置,大约需要一个晚上。
可以直接在 OpenCode 中描述抓取需求,让它尝试调用 Apify 工具。实际测试中,第一次抓取就因为参数填写错误而失败了。不过,Agent 可以读取运行日志中的报错信息,分析问题并调整参数,第二次调用就成功了。
如果希望少走一些弯路,可以把一次成功的抓取记录连同完整上下文交给 Agent,让它参考这次调用的工具选择、参数和返回结果。之后再把验证过的调用方式整理到项目文件中,方便后续任务复用。
选择抓取工具时,也可以优先考虑覆盖多个电商平台的通用工具。这样,后续如果要把监控范围从 Amazon 扩展到 Walmart、eBay 等平台,就不必完全从头配置。
方式二:使用现成的 Skill,大约十分钟。
如果不想从零摸索抓取流程,可以直接使用 Apify 官方提供的 Agent Skills。
其中的 apify-ultimate-scraper 覆盖 Amazon、Walmart、eBay 等平台的多个抓取 Actor,可以帮助 Agent 选择合适的工具、组织输入参数并处理返回结果。具体支持范围以项目仓库当前说明为准。
安装 Skill 后,还需要确保 OpenCode 已经接入 Apify MCP,并完成 Apify 账号授权。简单来说,Skill 提供任务流程和调用方法,MCP 则负责连接并实际调用 Apify 工具,两者配合才能完成抓取。
中文社区也有一些面向亚马逊业务的技能合集,例如 awesome-amazon-ec-skills 和 sealeap-amazon-skills,可以根据具体需求挑选。
无论采用哪种方式,建议先用自己的实际任务验证一次。
不同的 Apify 账号、目标商品和抓取需求,可能会影响工具选择和返回结果。先跑通一个真实案例,再把验证过的调用方式和业务规则保存下来,后续执行会更稳定。
这里可以用两个文件管理智能体的行为:
-
.opencode/agents/sourcing.md:定义 Agent 的角色、职责、可用工具和输出格式。 -
AGENTS.md:记录具体的操作规则,例如监控哪些商品、如何整理价格数据、简报采用什么格式,以及推送到哪里。
前者负责定义 Agent 应该做什么,后者负责记录项目中具体怎么执行。
第二步:实测——换一个任务验证效果
完成基础配置后,可以换一个没有参与过前期测试的任务,看看 Agent 能否正确调用工具。
例如,给它这样的需求:
去亚马逊上物色一款符合登机尺寸要求的旅行包,筛选符合要求的商品,比较价格、运费和卖家信息,并按照 100 件的采购需求估算基础采购成本。
任务发出后,Agent 没有马上开始抓取,而是先询问了采购规格和数量。这是一个比较有用的细节:采购需求中的关键条件如果不明确,直接抓取很容易得到一堆无法用于决策的数据。
在明确条件后,Agent 会根据角色文件和项目操作手册,选择对应的 Apify 工具执行抓取。实测中,它能够按照已经验证过的调用方式获取符合条件的旅行包,并整理商品价格、运费和卖家信息。
这里还有一个值得注意的地方:运行任务时,最好从项目目录启动 OpenCode,确保它处在正确的工作区上下文中,能够加载对应的项目指令和角色配置。
如果前面已经把成功的调用方式、商品筛选规则和输出格式保存到项目文件中,后续换商品、换任务时,就可以直接复用这些配置,不必每次重新说明一遍。
第三步:定时任务——每天自动抓取和生成简报
单次抓取只能验证方案是否可行。如果希望每天都能看到价格变化,就需要增加定时任务。
这里建议把流程拆成两个独立任务,而不是让一个任务一次性完成抓取、分析和推送:
任务一:抓取数据。 每天早上固定时间检查目标商品,把抓取结果保存为带日期的 CSV 文件。
任务二:分析并推送。 读取最近几天的 CSV,比较价格变化和趋势,生成简报,再推送到微信。
中间用 CSV 文件衔接有一个实际好处:抓取和分析相互独立。即使某天分析或推送失败,已经保存的原始数据仍然可以使用,不需要重新抓取。
本机运行的简化版本可以通过 crontab 设置两个定时任务:
# 每天早上 8:30 抓数落盘,9:00 生成并推送简报
30 8 * * * cd ~/sourcing-agent && opencode run --agent sourcing "按 AGENTS.md 抓取今日亚马逊目标商品价格,存到 data/$(date +\%F).csv" >> logs/run.log 2>&1
0 9 * * * cd ~/sourcing-agent && opencode run --agent sourcing "读取 data/ 下最近7天CSV,生成比价简报 brief/$(date +\%F).md 并推送到微信" >> logs/run.log 2>&1
实际运行前,需要确保日志目录存在,并提前配置好定时任务所需的环境变量和工具权限。否则,任务在无人值守运行时,可能因为权限确认或环境配置问题而中断。
本机运行的限制也比较明显:电脑需要保持开机并处于唤醒状态。如果希望电脑关机或休眠时任务仍能执行,可以把项目部署到云服务器,或者使用 GitHub Actions 的 schedule 功能触发云端任务。
需要注意,GitHub Actions 的运行环境通常是临时的。如果希望持续积累每天的价格数据,还需要配置独立的持久化存储,例如对象存储或数据库,不能只依赖单次任务的运行目录。
第四步:微信推送——让简报直接到手机
数据抓取和分析完成后,最后一步是把结果发送出来。
比较简单的方案是使用企业微信群机器人:创建一个只有自己使用的群,添加机器人并获取 webhook 地址,然后在角色文件中告诉 Agent,简报生成后通过 HTTP 请求把 Markdown 正文发送到这个地址。
如果不想使用企业微信,也可以选择 Server酱。扫码绑定微信后,同样可以通过 HTTP 请求将消息推送到微信。
两种方式都不需要单独开发一个消息推送服务,选择自己日常使用起来更方便的即可。
配置完成后,每天早上手机就能收到一份 Markdown 格式的比价简报,内容包括价格变化、趋势分析和采购建议。CSV 明细则保存在项目目录中,方便后续核对和进一步分析。
每日简报长什么样
简报可以采用固定模板,每天根据最新抓取结果更新内容。比如:
# 采购比价简报 2026-11-17
| 商品 | 卖家 | 价格 | 运费 | 估算单件成本 | 较昨日 | 近7日最低 | 链接 | 建议 |
|---|---|---|---|---|---|---|---|---|
| 登机旅行包 A | XX店 | $3.85 | $0.40 | $4.25 | -2% | $4.10 | ... | 可进一步询价 |
## 结论
1. 商品 A 今日价格接近近 7 日最低,可列入重点关注名单
2. 卖家 X 报价上涨 6%,可以进一步比较其他卖家的报价
3. 新发现同款商品 C,单价低 8%,建议人工确认商品质量和规格
其中,「较昨日」和「近 7 日最低」需要依赖此前保存的价格记录。随着数据不断积累,简报就不再只是当天的商品价格列表,还能帮助采购人员观察价格变化,发现值得进一步询价的商品。
需要注意,商品页面显示的零售价和运费,并不等于 100 件采购的最终到手价。批量折扣、物流、税费和供应商报价仍然需要进一步确认,因此这里更适合将结果作为初步采购成本参考。
AI Agent 成本账
这套方案的成本主要来自两部分:模型调用和数据抓取。两部分都可以根据实际使用情况调整。
模型成本:按任务选择模型。
FluxLane 按实际模型调用量计费,不需要为每种模型单独购买订阅。日常巡检可以使用 DeepSeek、Kimi 等性价比较高的模型,复杂的选品分析再切换到 Claude、GPT 等模型。
实际花费取决于每天抓取多少商品、输入多少数据、生成多长的分析报告,以及模型调用次数。可以在 FluxLane 控制台的数据看板中查看实际用量,再根据运行记录估算每月成本。
数据源****成本:根据自己的身份和需求选择。
| 你的身份 | 可考虑的****数据源 | 成本特点 |
| 已有亚马逊专业销售计划 | SP-API(官方卖家接口) | API 本身无额外调用费,但需要满足账号和权限要求 |
| 没有卖家资质 | Apify 按量付费 | 可以从免费额度开始,按实际使用量付费 |
如果你本来就是亚马逊卖家,可以了解一下官方的 SP-API。
亚马逊目前没有向第三方开发者收取 SP-API 年费和 API 调用费。此前亚马逊曾计划推出相关收费,后来宣布取消。不过,API 本身免费不代表整个系统没有成本,销售计划、云服务器、存储和日常维护仍可能产生费用。
在价格监控方面,SP-API 的 Product Pricing API 可以提供 Featured Offer 价格、竞争价格、最低报价和不同卖家的商品报价等信息。配合 Product Catalog API 获取商品目录和属性数据,可以构建自己的价格监控系统。
当然,具体能够获取哪些数据,仍然取决于 API 权限、ASIN、Marketplace 和调用限制。相比网页抓取,官方 API 不需要处理网页验证码和页面结构变化等问题,数据结构也更加稳定,但仍需遵守亚马逊的 API 调用频率和权限规则。
SP-API 的接入门槛相对更高。如果是卖家为自己的业务开发私有 SP-API 应用,需要拥有 Professional Selling Account,个人销售计划不符合这一要求。如果使用公开应用,则可以通过卖家 OAuth 授权访问相应数据。
因此,如果目前还没有自己的 SP-API 接入环境,可以先用 Apify 验证整个比价流程,等到监控需求稳定、数据量增加后,再评估是否迁移到官方 API。
对于非卖家用户,也没必要仅仅为了使用 SP-API 而额外开通专业销售计划。以美国站为例,Professional Selling Plan 的月费为 39.99 美元,具体费用还需要以所在站点的官方定价为准。对于刚开始尝试比价自动化的用户,Apify 按量付费可能更合适。
如果每天只监控少量商品,模型调用和数据抓取的实际费用都不会太高。不过,具体月成本还是要根据商品数量、抓取频率和模型用量来计算,建议先运行一段时间,再根据账单做预算。
总结
从实际搭建过程来看,这套方案可以分成三个阶段:
第一阶段:配置和验证。 使用 OpenCode、FluxLane 和 Apify 搭建基本环境,先完成一次真实商品抓取,再把验证过的调用方式和业务规则保存下来。
第二阶段:定时运行。 将抓取和分析拆成两个任务,通过 CSV 保存每天的价格记录,再由第二个任务生成趋势简报。
第三阶段:消息推送。 接入企业微信机器人或 Server酱,让分析结果每天自动送到手机。
这套流程并不局限于亚马逊采购比价。只要数据能够通过 API 或抓取工具获取,类似的方法也可以用在竞品价格监控、商品评论巡检、跨平台比价和价格预警等场景。
对于已经在使用 OpenCode 的开发者来说,这也是一个比较直观的 Agent 自动化实践:让模型负责理解和分析任务,让工具负责获取数据,再用定时任务把整个流程串起来。
参考链接
相关产品与选型


