8.0
热点
AI SCORE
开源项目2026-09-04 03:46
Anthropic 开源 Claude Commerce Agents：电商与旅游 Agent 参考实现
MarkTechPost#Anthropic#Claude#Agent
Editor brief · 编辑速览
Anthropic 发布 anthropics/commerce-agents，包含购物 Agent 和商户 Agent 的完整蓝图，涵盖 Agent 循环、工具层、审批门和评测套件。
大多数团队在构建购物助手或 Agent 时，都会重新搭建相同的基础架构：Agent 循环、基于目录的工具层、审批门控和评估套件。Anthropic 如今将这套架构作为代码发布了。本周，他们开源了 anthropics/commerce-agents（一个参考蓝图），其中包含一个购物 Agent 和一个商户 Agent，并附带四个可运行的垂直场景：零售、旅游、电信和娱乐。该项目同时发布了两篇详细文档：产品公告和一篇工程技术深度解析——A guide to the anatomy of effective commerce agents。
是否可直接部署？完全可以。仓库采用 Apache 2.0 协议，可在本地运行（Python 3.11+ 和 Node 22），仅需配置 ANTHROPIC_API_KEY 环境变量即可。由于运行时兼容任何 anthropic 客户端，同一套代码可以部署在 Claude API、Amazon Bedrock、Microsoft Foundry 或 Google Cloud Vertex AI 上。
购物 Agent 部署在商户自有应用内，具备以下能力：搜索目录、处理多商品请求、对比选项、构建购物车，以及在同一对话中回答订单和退货问题。它拥有五项核心技能：search-discovery（搜索发现）、purchase-research（购买调研）、planning-goals（规划目标）、customer-care（客户服务）和 memory-personalization（记忆个性化）。部署时需要基于商户的目录、购物车、订单和策略系统实现一个 StorefrontBackend。
商户 Agent 的服务对象是门店员工：销售业绩查询、库存预警、定价及促销建议，以及营销活动文案撰写。其技能包括：performance-insights（业绩洞察）、catalog-listings（目录管理）、inventory-operations（库存运营）、pricing-promotions（定价促销）和 marketing-campaigns（营销活动），底层由 MerchantBackend 支撑。
两种 Agent 均支持三种运行方式——Messages API、Claude Agent SDK 和 Claude Managed Agents（beta）——共用同一套 prompts、skills、工具契约和门控定义。此外还提供了一个 Claude Code 插件 commerce-builder，通过 /scaffold-commerce-agent 命令可快速脚手架一个新 Agent，或通过 /review-commerce-agent 审查现有 Agent。
架构层面的主张是最具迁移价值的部分。Anthropic 明确反对意图路由（intent router）架构，也反对为每个领域单独配置一个子 Agent 的设计。 commerce 会话是一个紧密耦合的对话过程，而每次交接都会造成状态丢失：Orchestrator 持有购物车、偏好和历史记录，每次交接不仅会丢失这些上下文，还可能消耗数倍于正常情况的 token 量并增加数秒延迟。此外，各领域之间存在大量重叠——例如退货流程同时需要订单历史、购物车和目录信息。
Agent Skills（技能） 在不产生上述损耗的前提下提供了同等的模块化优势，因为技能指令直接加载到已经持有历史记录的 Agent 中。在多个企业级部署中，Anthropic 报告称：采用单一 Agent 加技能的设计，在质量维度上优于"一个大 prompt"和"子 Agent"两种方案，且通常成本更低、延迟更小。子 Agent 并非没有价值，它仍适用于窄领域、自我闭环的工作场景，例如深度研究。
关于 prompt 与 skill 的划分依据是调用频率：大约三分之一或更多的流量放在系统 prompt 中，其余部分放在 skills 中。安全规则、品牌约束和关键用户事实信息始终置于 prompt 内。
大多数 commerce 响应本质上是组件，而非散文。蓝图没有让模型生成自定义标签，而是将每个组件实现为一个工具：present_products、present_itinerary、present_plan_comparison 等，这些工具带有类型化参数，由服务端在客户端渲染前完成校验。由于这些调用原生存在于 messages 数组中，重载历史记录无需自定义解析器，且 Agent 可以从上一次呈现调用中解析"第一家酒店"等引用。对于 token 级流式输出，配置 eager_input_streaming: true 可跳过服务端缓冲，同时保证 schema 的确定性。
延迟、缓存、内存
一次渲染后的响应约含 500–700 个输出 token，若不开启流式输出，用户将面临长达 5 秒的加载等待。Anthropic 将端到端延迟与感知延迟区分处理：组件在形成时即流式输出，同时渲染纯语言的进度提示行。Eager tool dispatch（每个调用在其参数流式传输完成后立即执行，这是 Agent SDK 的默认行为）据报道可将原本数秒的间隔缩短至几百毫秒。
Prompt 缓存是主要的成本杠杆。请求按全局 → 会话 → 易失（volatile）顺序排列，因为缓存基于前缀匹配，若在系统 prompt 顶部放置时间戳，每次请求都会破坏缓存命中率。缓存读取成本是新鲜 token 的十分之一，缓存写入则携带约 1.25 倍的溢价，而最优部署可达到 90–99% 的命中率。记忆提取在独立进程中异步运行；Anthropic 测量发现，相比在主对话轮次中保存事实的工具调用，异步记忆提取的事实召回率高出 13%。
查看 Anthropic 工程技术深度解析、产品公告、GitHub 仓库和 Commerce 演示。此外，欢迎关注我们的 Twitter，别忘了加入我们的 15 万+ ML SubReddit 并订阅我们的通讯。你用 Telegram 吗？现在也可以加入我们了。
希望与我们合作推广您的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会？请联系我们。
Asif Razzaq 是 Marktechpost Media Inc. 的 CEO。作为一位有远见的企业家和工程师，Asif 致力于将人工智能的潜力用于社会公益。他最近的举措是推出了一个人工智能媒体平台 Marktechpost，该平台以深度报道机器学习和深度学习新闻著称，内容兼具技术深度和广泛读者群的可读性。该平台月均浏览量超过 200 万次，显示出其在受众中的受欢迎程度。