上周接了个跨境电商的私活，客户卖家居用品，亚马逊和 Shopify 双渠道。痛点很具体：每天上百条多语言客服消息、几十个 listing 要写、还得盯着竞品评论找选品方向。之前雇了两个虚拟助理，一个月人力成本将近一万。
我当时正好在折腾 OpenClaw，发现这玩意儿配合大模型 API 做跨境电商自动化简直天然适配——本地部署、支持多模型切换、能通过 MCP 协议串联各种工具。折腾了一周，把客服响应、listing 生成、评论分析三个核心场景全跑通了，完整方案和代码都放在这里。
先说结论
| 场景 | 方案 | 模型选择 | 日均调用量 | 效果 |
|---|---|---|---|---|
| 多语言客服自动回复 | OpenClaw + Function Calling | Claude Opus 4.6 | ~200 次 | 响应时间从 4h 降到 3min |
| 商品 Listing 生成 | OpenClaw + 提示词模板 | GPT-5 | ~50 次 | 一条 listing 从 40min 降到 2min |
| 竞品评论分析 | OpenClaw + 批量处理 | DeepSeek V3 | ~100 次 | 自动提取差评痛点，命中率 85%+ |
| 选品趋势判断 | 评论聚合 + 模型总结 | Gemini 3 Pro | ~20 次 | 替代了之前的人工竞品调研 |
环境准备
OpenClaw 安装教程热榜上一堆，不重复了。跨境电商场景有几个额外的准备：
# OpenClaw 已装好的前提下，额外装这几个依赖
pip install openai httpx pandas openpyxl
API 配置这里有个特殊需求：你得同时用好几个模型。客服用 Claude（多语言能力强），listing 用 GPT-5（营销文案好），评论分析用 DeepSeek V3（便宜量大）。如果每个模型都去各家官网申请 Key，光鉴权逻辑就够喝一壶的。
我的做法是用聚合 API 统一接入。ofox.ai 是个 AI 模型聚合平台，一个 Key 可以调用 GPT-5、Claude Opus 4.6、Gemini 3 Pro、DeepSeek V3 等 50+ 模型，改个 model 参数就能切换，不用管各家的鉴权差异。
graph LR
A[OpenClaw 本地客户端] --> B[ofox.ai 聚合网关]
B --> C[Claude Opus 4.6<br/>多语言客服]
B --> D[GPT-5<br/>Listing 生成]
B --> E[DeepSeek V3<br/>评论分析]
B --> F[Gemini 3 Pro<br/>选品趋势]
在 OpenClaw 的设置里，Provider 选 OpenAI Compatible，Base URL 填 https://api.ofox.ai/v1，API Key 填你在 ofox.ai 拿到的 Key。后面所有模型调用都走这一个入口。
方案一：多语言客服自动回复
跨境卖家每天收到英语、日语、德语、西班牙语的消息，之前要么靠翻译软件加人工回复，要么丢给虚拟助理。
核心思路：用 Claude Opus 4.6 做多语言理解和回复生成，通过 Function Calling 对接订单系统查物流状态。
from openai import OpenAI
import json
client = OpenAI(
api_key="your-ofox-key",
base_url="https://api.ofox.ai/v1"
)
# 模拟订单查询函数（实际对接你的 ERP/Shopify API）
def query_order_status(order_id: str) -> dict:
# 这里替换成真实的订单查询逻辑
return {
"order_id": order_id,
"status": "shipped",
"tracking": "YT2026081234567",
"estimated_delivery": "2026-07-20"
}
tools = [
{
"type": "function",
"function": {
"name": "query_order_status",
"description": "查询客户订单的物流状态",
"parameters": {
"type": "object",
"properties": {
"order_id": {
"type": "string",
"description": "订单编号"
}
},
"required": ["order_id"]
}
}
}
]
SYSTEM_PROMPT = """你是一个跨境电商客服助手。规则：
1. 自动识别客户消息的语言，用相同语言回复
2. 语气友好专业，符合该语言文化习惯（日语要用敬语，德语要正式）
3. 如果客户询问订单状态，调用 query_order_status 查询
4. 如果是退换货请求，收集订单号和原因后告知会在24h内处理
5. 回复控制在100字以内，简洁明了"""
def handle_customer_message(message: str) -> str:
messages = [
{"role": "system", "content": SYSTEM_PROMPT},
{"role": "user", "content": message}
]
response = client.chat.completions.create(
model="claude-opus-4-5-20250918", # Claude Opus 4.6 多语言能力最强
messages=messages,
tools=tools,
tool_choice="auto"
)
assistant_msg = response.choices[0].message
# 处理 Function Calling
if assistant_msg.tool_calls:
for tool_call in assistant_msg.tool_calls:
if tool_call.function.name == "query_order_status":
args = json.loads(tool_call.function.arguments)
result = query_order_status(args["order_id"])
messages.append(assistant_msg)
messages.append({
"role": "tool",
"tool_call_id": tool_call.id,
"content": json.dumps(result)
})
# 二次调用生成最终回复
final_response = client.chat.completions.create(
model="claude-opus-4-5-20250918",
messages=messages
)
return final_response.choices[0].message.content
return assistant_msg.content
# 测试几种语言
test_messages = [
"Hi, I ordered a lamp 2 weeks ago, order #ORD-88421. Where is it?",
"注文番号ORD-88421の配送状況を教えてください",
"Hola, quiero devolver mi pedido ORD-88421, llegó roto"
]
for msg in test_messages:
print(f"客户: {msg}")
print(f"回复: {handle_customer_message(msg)}")
print("---")
实测下来 Claude Opus 4.6 的多语言能力确实稳，日语敬语、西班牙语语法基本没翻车。唯一的问题是德语回复偶尔用 Du（你）而不是 Sie（您）——在 system prompt 里加了一句「德语必须用 Sie 称呼」就解决了。
方案二：批量生成商品 Listing
每上一个新品，要写英语、日语、德语三个版本的标题、五点描述、长描述，这是跨境卖家最头疼的重复劳动。
def generate_listing(product_info: dict, target_lang: str) -> dict:
"""
product_info: {"name": "LED台灯", "features": ["可调光", "USB充电", "触控开关"], "category": "家居照明"}
target_lang: "en" / "ja" / "de" / "es"
"""
lang_map = {
"en": "English (Amazon US style, SEO-optimized)",
"ja": "Japanese (Amazon JP style, 敬体)",
"de": "German (Amazon DE style, formal)",
"es": "Spanish (Amazon MX/ES style)"
}
prompt = f"""Generate an Amazon product listing in {lang_map[target_lang]}.
Product: {product_info['name']}
Category: {product_info['category']}
Key Features: {', '.join(product_info['features'])}
Output JSON format:
{{
"title": "SEO-optimized title, max 200 chars",
"bullet_points": ["5 bullet points, each highlighting a benefit"],
"description": "Compelling product description, 150-200 words"
}}
Rules:
- Include relevant search keywords naturally
- Focus on benefits, not just features
- Match the tone/style conventions of that marketplace"""
response = client.chat.completions.create(
model="gpt-5", # GPT-5 营销文案质量最好
messages=[{"role": "user", "content": prompt}],
response_format={"type": "json_object"}
)
return json.loads(response.choices[0].message.content)
# 批量生成
product = {
"name": "可调光LED台灯",
"features": ["三档色温调节", "USB-C充电", "触控开关", "记忆功能", "45度可调角度"],
"category": "家居照明"
}
for lang in ["en", "ja", "de"]:
listing = generate_listing(product, lang)
print(f"\n=== {lang.upper()} Listing ===")
print(f"Title: {listing['title']}")
for i, bp in enumerate(listing['bullet_points'], 1):
print(f" {i}. {bp}")
方案三：竞品评论分析找选品方向
这个场景用 DeepSeek V3——评论分析是大批量低价值密度的任务，用贵的模型纯属浪费。
def analyze_reviews(reviews: list[str], product_category: str) -> dict:
reviews_text = "\n---\n".join(reviews[:50]) # 一次最多50条
prompt = f"""分析以下{product_category}类目的亚马逊差评（1-3星），提取：
1. Top 5 痛点（按频率排序）
2. 每个痛点的具体用户原话
3. 对应的产品改进方向
4. 潜在的选品机会
评论内容：
{reviews_text}
输出 JSON 格式。"""
response = client.chat.completions.create(
model="deepseek-v3", # 便宜够用
messages=[{"role": "user", "content": prompt}],
response_format={"type": "json_object"}
)
return json.loads(response.choices[0].message.content)
踩坑记录
多语言回复串语言了。 客户发日语，模型回了一半日语一半英语。原因是 system prompt 用英语写的，模型有时候会「回到英语思维」。解决办法：在每条用户消息前加一句 [请用与用户相同的语言回复]，强制锚定。
Listing 生成的 JSON 格式偶尔崩。 GPT-5 开了 response_format: json_object 之后稳定多了，但 bullet_points 有时候会返回 4 条或 6 条。加了个后处理函数，不够 5 条让模型补，多了截断。
评论分析 token 超限。 50 条差评一次性扔进去，有时候超 context window。改成分批处理（每批 20 条），再把每批结果做一次汇总。多花一次调用，但稳定多了。
OpenClaw 的 MCP 配置文件格式。 文档写的和实际行为不一致，mcpServers 字段里的 command 如果带路径，Windows 上要用双反斜杠。这个坑我填了两个小时。
小结
跨境电商是大模型落地很顺手的场景——多语言、重复性高、对创意有要求但不需要特别精准。OpenClaw 的优势在于可以把这些自动化流程编排起来，配合 MCP 协议对接 ERP、Shopify 等系统。
模型选择上：客服用 Claude（多语言强），文案用 GPT-5（营销感好），分析用 DeepSeek V3（便宜量大）。不同场景用不同模型，没必要押注某一家。
整套方案跑下来，客户每月省了大概 6000 块虚拟助理费，API 调用成本 300-400 块/月。
