闲鱼MCP

让 AI 帮我管闲鱼店铺：xianyu-mcp-server 体验分享

每天手动上架、回消息、改价格、查竞品太费时间了。这个开源项目把闲鱼能力封装成标准 MCP 工具，接到 Trae、Claude Desktop、Cursor、VS Code、Cherry Studio 这些 AI 客户端里就能直接用。

20 个 MCP 工具 | 5 大客户端 | 扫码登录 | 风控护栏 | uv / pip 可跑

GitHub 仓库：DoLovya/xianyu-mcp-server

能干什么：一句话，AI 直接替你干活

接好之后，你直接说人话就行。

“把我店里所有价格低于 50 的商品下架”

AI 会先拉商品列表，再筛选，再逐个下架。不是一股脑乱调接口，项目里已经带了风控护栏，会自动控制节奏。

“看看最近有没有人给我发消息，有的话帮我回一下”

AI 可以先拉会话列表，再读历史消息，最后直接回复买家。对卖家来说，这已经很像一个能用的 AI 客服了。

“帮我搜一下闲鱼上有没有二手 Switch，按最新发布排序”

AI 会直接调搜索接口，把最新发布的结果整理出来，你不用再自己打开 App 一页页翻。

我觉得这项目最省心的一点就在这儿：不是让你自己去折腾 Cookie 签名、接口参数、消息协议，而是直接把这些能力包成了 MCP 工具，AI 客户端拿来就能调。

现在到底能做什么：20 个 MCP 工具，卖家高频动作基本都包了

当前 xianyu-mcp-server 已开放 20 个 MCP 工具，大致分成 5 组。

1. 登录与登录态维护

工具	说明
`validate_login`	校验当前 Cookie 是否有效
`refresh_login`	刷新当前登录态
`qr_login_generate`	生成扫码登录二维码
`qr_login_status`	查询扫码登录状态，必要时返回验证信息
`qr_login_cookie`	在扫码成功后提取完整 Cookie
`qr_login_save_env`	把扫码得到的 Cookie 直接写回 `.env`

这套链路最大的好处就是：第一次用不用自己抓 Cookie。.env 留空启动也行，项目会引导你扫码，成功后还能直接写回环境文件。

2. 商品搜索、详情与店铺管理

工具	说明
`search_items`	按关键词搜索闲鱼商品，支持分页与排序
`get_item_detail`	获取指定商品详情
`get_item_edit_detail`	获取商品在 PC 编辑页的详情
`list_my_items`	自动翻页拉取当前账号下全部商品
`downshelf_item`	下架指定商品
`reshelf_item`	通过 PC 编辑重发布链路重新上架商品
`edit_item`	编辑商品标题、价格、描述等信息
`publish_physical_item`	发布新的实体商品，支持自动上传图片

如果你本来就在闲鱼卖东西，这一组其实已经很够用了：查商品、改商品、上下架、发新品，常用动作基本都在里面。

3. 用户信息与会话消息

工具	说明
`get_my_profile`	获取当前登录账号的个人资料信息
`list_conversations`	拉取最近会话列表
`list_conversation_messages`	获取指定会话历史消息
`send_text_message`	发送文本消息
`send_image_message`	发送图片消息

所以它就不只是“自动上下架工具”了，往客服助手、卖家助手这个方向继续做会很顺。

4. 媒体上传

工具	说明
`upload_media`	上传本地文件或 URL 素材，返回可复用媒体链接

这个能力既能给 publish_physical_item 用，也能给图片消息和后续编辑商品复用。

5. 风控友好的调用护栏

这部分不是单独的 MCP 工具，但很重要。仓库里已经做了请求护栏：

读写分离限速：读操作和写操作使用不同节奏
写操作串行化：避免多条写请求并发触发风控
指数退避：遇到可疑错误自动退避重试
冷却机制：识别强风控信号后主动进入冷却

自动化不等于乱调接口。我自己会更看重这种地方，因为它决定了这玩意儿到底是 Demo，还是能拿来长期跑。

为什么我觉得这个项目值得看：它不只是把接口调通了

价值一：标准 MCP 协议，主流 AI 客户端都能接

我比较喜欢的一点是，它走的是标准 MCP（Model Context Protocol），不是只给某一个 AI 产品单独做适配。

客户端	接入方式
Trae	项目内配置 `.trae/mcp.json`
Claude Desktop	写入 `claude_desktop_config.json`
Cursor	配置 `.cursor/mcp.json`
VS Code	配置 `.vscode/mcp.json`
Cherry Studio	UI 中新增 MCP 服务，可选 `stdio` 或 HTTP

说白了就是：服务跑起来之后，你想接 Trae、Cursor、Claude Desktop 还是别的客户端，都比较顺。

价值二：扫码登录友好，第一次使用门槛低

很多自动化项目最劝退的一步，就是上来先让你手动抓 Cookie。这个项目把扫码登录整成了完整链路：

生成二维码
手机扫码确认
查询登录状态
拿到完整 Cookie
一键写回 .env

如果遇到人脸验证或额外风控，工具也会把状态告诉你，不会只给你一个很糊的失败提示。

价值三：从“会调接口”进化到“可接入真实工作流”

很多项目把接口打通就算完了，但 MCP 这种形态的好处是，它天然适合往 Agent 工作流里接。比如：

用 AI 批量整理店铺商品
用 AI 自动做竞品搜索
用 AI 帮你回复买家
后续继续扩展成消息监听 + 自动回复 Worker

这种能力一旦接进标准 MCP，后面你想继续做自动化、做编排、做助手，都会顺很多。

怎么跑起来：其实就三步

我建议直接按仓库方式来：先 clone，再本地装依赖，再启动。
它和已经发到 PyPI 的 MCP 项目不太一样，现在不能直接用 uvx xianyu-mcp。

第一步：拉代码

git clone https://github.com/DoLovya/xianyu-mcp-server.git
cd xianyu-mcp-server
git submodule update --init --recursive
cp .env.example .env

.env 先留空也行，后面按提示走扫码登录就可以。

第二步：安装依赖

机器上能装 uv 的话，我建议优先用 uv：

uv pip install -e third_party/pyxianyu
uv pip install -e .

装不上 uv 也没关系，直接退回 pip：

pip install -e third_party/pyxianyu
pip install -e .

第三步：启动 MCP

默认走 stdio：

# 推荐（需要 uv）
uv run xianyu-mcp

# 或使用 pip 方案
python -m xianyu_mcp.server

如果要启 HTTP 模式：

# 推荐（需要 uv）
uv run xianyu-mcp --http

# 或使用 pip 方案
python -m xianyu_mcp.server --http

HTTP 模式默认监听：

http://localhost:8000/mcp

一个很重要的坑

不要直接运行：

uvx xianyu-mcp

当前这个项目还没有发布到 PyPI。你如果直接跑 uvx xianyu-mcp，很可能会装到同名第三方包，然后开始报一堆看起来莫名其妙的问题。

Trae / Cursor / Claude Desktop 怎么接

大多数 MCP 客户端都走 stdio。这个项目现在最稳的接法，就是让客户端直接在本地仓库里把它拉起来。

Trae 项目级配置示例：

{
  "mcpServers": {
    "xianyu-mcp-server": {
      "command": "uv",
      "args": ["--directory", "${workspaceFolder}", "run", "xianyu-mcp"]
    }
  }
}

如果某些客户端不支持 ${workspaceFolder}，就改成绝对路径。比如：

{
  "mcpServers": {
    "xianyu-mcp-server": {
      "command": "uv",
      "args": [
        "--directory",
        "C:\\Users\\<user>\\Code\\xianyu-mcp-server",
        "run",
        "xianyu-mcp"
      ]
    }
  }
}

如果你机器上确实装不上 uv，再退回 Python 方式：

{
  "mcpServers": {
    "xianyu-mcp-server": {
      "command": "python",
      "args": ["-m", "xianyu_mcp.server"],
      "cwd": "${workspaceFolder}"
    }
  }
}

这一段你记住几个点就够了：

Trae / Cursor / Claude Desktop / VS Code 一般优先走 stdio
Cherry Studio 除了 stdio，也可以接 HTTP 模式
源码开发场景优先使用 uv --directory ${workspaceFolder} run xianyu-mcp
装不上 uv 时，再用 python -m xianyu_mcp.server
当前不要写 uvx xianyu-mcp
Cookie、环境变量这些细节，直接看 GitHub 仓库里的 README 就够了

实战里它能帮你做什么

场景一：批量店铺运维

“把我店里所有价格低于 100 的商品都下架”

AI 会先调用 list_my_items 拉完整个商品列表，再筛选，再逐个调用 downshelf_item。你不用自己在 App 里来回点半天。

场景二：竞品搜索与价格观察

“搜一下闲鱼上二手 Switch，按最新发布排序”

AI 直接调用 search_items，把最新发布结果整理出来。你后面还可以继续追问，比如：

哪些价格更低
哪些卖家在同城
哪些成色描述更好

场景三：AI 帮你做客服

“看看最近有没有人问我商品问题，有的话帮我回一下”

这个流程会串起：

list_conversations
list_conversation_messages
send_text_message / send_image_message

对经常被买家重复问问题的卖家来说，这已经很接近“先让 AI 顶一轮客服”了。

场景四：一键发布新品

“帮我发一个九成新 Kindle Oasis，价格 800，配这几张图”

AI 可以先上传图片，再调用 publish_physical_item 完成发布。对经常在电脑上整理素材的人来说，这比在手机里反复填表单顺手多了。

工程质量：至少不是随手拼的玩具项目

按现在仓库里能直接看到的信息，大致是这样：

指标	当前情况
MCP 工具数	20
Python 测试矩阵	3.11 / 3.12 / 3.13
测试文件	8
单元测试	24
包入口	`xianyu-mcp`
依赖管理	`uv`
CI	GitHub Actions 持续集成

更关键的是，这个项目已经不只是“几个脚本拼一起”的状态了，而是在往更标准的 Python 项目结构和 MCP 接入方式上收。对使用者来说，直接感受到的就是：

使用者安装成本更低
IDE / AI 客户端接入更顺
同时也保留了 uv 和 pip 两条本地运行路径

目前的边界，以及后面还能怎么长

我还是倾向于先把边界说清楚，这样比较实在。

当前已知限制

虚拟商品通常受闲鱼 PC 端发布/编辑限制，当前无法稳定走 reshelf_item 重新上架
常驻消息监听与自动回复 Worker 还没有 MCP 化
语音、视频类消息工具还没开放出来

接下来最值得期待的方向

消息监听和自动回复拆成独立 Worker
更多商品类型支持
面向卖家的数据分析能力
更完善的多客户端接入文档

所以我会把它定义成：已经能用，也很适合继续往 AI 工作流里接的闲鱼 MCP 基础设施。

适合谁用

如果你属于下面几类人，这个项目大概率会挺对胃口：

经常在闲鱼卖二手、想减少重复操作的人
喜欢把日常工作流交给 AI 自动化的人
正在研究 MCP 落地案例的人
想做 AI 客服、AI 店铺助手、Agent 自动运维的人

它不是那种演示一下就结束的 Demo，而是真的有机会继续长进真实卖家工作流里的。

最后一句

如果你最近正好在折腾 AI 自动化、MCP，或者就是想少做点重复的闲鱼操作，我觉得这个项目挺值得自己跑一遍。

先按 README 当前推荐方式跑起来：

git clone https://github.com/DoLovya/xianyu-mcp-server.git
cd xianyu-mcp-server
git submodule update --init --recursive
cp .env.example .env
uv pip install -e third_party/pyxianyu
uv pip install -e .
uv run xianyu-mcp

如果你机器上没有 uv，就把最后三步换成：

pip install -e third_party/pyxianyu
pip install -e .
python -m xianyu_mcp.server