Anthropic выпустила Claude Commerce Agents: открытый фреймворк Apache 2.0 для торговых ИИ-ассистентов

Разработчики сервисов электронной коммерции и систем поддержки регулярного сталкиваются с одной и той же задачей: им приходится заново собирать базовый каркас для ИИ-ассистентов. Обычно эта инфраструктура включает цикл обработки сообщений (agent loop), слой вызова инструментов над каталогом товаров, механизмы программного подтверждения операций и систему оценки качества. Компания Anthropic решила стандартизировать этот процесс и выложила в открытый доступ эталонный проект anthropics/commerce-agents.

Репозиторий распространяется под свободной лицензией Apache 2.0. Он полностью готов к локальному развертыванию на базе Python 3.11+ и Node 22 с использованием ключа ANTHROPIC_API_KEY. Код архитектурно абстрагирован от конкретного провайдера, благодаря чему созданные агенты без проблем запускаются через Claude API, Amazon Bedrock, Microsoft Foundry или Google Cloud Vertex AI. Вместе с репозиторием Anthropic опубликовала продуктовый анонс и детальное инженерное руководство «A guide to the anatomy of effective commerce agents». В качестве демонстрации фреймворк включает готовые конфигурации под четыре отрасли: ритейл, туризм, телекоммуникации и энтертейнмент.

Два ключевых агента: Покупательский и Продавецкий

В основе архитектуры Claude Commerce Agents лежит разделение на два специализированных агента, решающих задачи покупателей и сотрудников торговой площадки.

Покупательский агент (Shopping Agent)

Данный агент внедряется непосредственно в пользовательский интерфейс или приложение ритейлера. Он ведет естественный диалог с клиентом: находит позиции в каталоге, обрабатывает составные запросы из нескольких товаров, сравнивает характеристики, формирует корзину и отвечает на вопросы о правилах возврата или статусе доставки.

Функциональность покупательского агента декомпозирована на пять ключевых скиллов (skills):

• search-discovery — поиск по каталогу и подбор вариантов;
• purchase-research — сравнение товаров и глубокий анализ характеристик;
• planning-goals — составление сложных планов покупок под задачи пользователя;
• customer-care — ответь на вопросы по обслуживанию и регламентам;
• memory-personalization — запоминание предпочтений и персональная адаптация.

Интеграция с сервисами магазина происходит через слой бэкенд-абстракции StorefrontBackend, объединяющий каталог, корзину, заказы и правила политики обслуживания.

Агент продавца (Merchant Agent)

Второй агент разработан для внутренней команды и менеджеров. Он выступает интеллектуальным ассистентом: генерирует аналитику по продажам, информирует о складских остатках, предлагает рекомендации по ценообразованию и скидкам, а также готовит черновики рекламных кампаний.

Его структура опирается на пять собственных скиллов:

• performance-insights — аналитика ключевых показателей продаж;
• catalog-listings — управление карточками товаров;
• inventory-operations — контрольные операции со складом;
• pricing-promotions — расчет скидок и промо-стратегий;
• marketing-campaigns — подготовка маркетинговых материалов.

Для взаимодействия с внутренними системами применяется бэкенд MerchantBackend.

Способы запуска и интеграция с Claude Code

Оба агента имеют единое определение промптов, скиллов и интерфейсных контрактов. Запустить их можно тремя путями: через стандартный Messages API, с использованием Claude Agent SDK или через управляемый сервис Claude Managed Agents (находящийся в статусе бета-тестирования). Для удобства разработчиков Anthropic добавила плагин commerce-builder для CLI-инструмента Claude Code, с помощью которого можно сгенерировать заготовку нового агента командой /scaffold-commerce-agent или провести аудит существующего вызовом /review-commerce-agent.

Архитектурный выбор: почему скиллы лучше субагентов

Наиболее интересная часть релиза — это архитектурный вывод, к которому пришли инженеры Anthropic. Они настоятельно рекомендуют отказаться от использования маршрутизаторов намерений (intent routers) и распределения задач по множеству отдельных субагентов для каждого домена.

В электронной коммерции диалог с пользователем представляет собой единый тесный контекст. Передача управления (handoff) между изолированными субагентами неизбежно приводит к потере состояния: оркестратор вынужден постоянно пересылать историю, содержимое корзины и пользовательские настройки. Это кратно увеличивает расход токенов и добавляет ощутимую задержку в ответ. Кроме того, коммерческие домены переплетены: например, процедура возврата товара одновременно требует доступа к истории заказов, корзине и каталогу.

Концепция агентских скиллов (Agent Skills) дает ту же модульность, но без накладных расходов. Инструкции конкретного скилла загружаются прямо в контекст единого агента, который уже удерживает всю историю общения. На основе практических внедрений в enterprise-сегменте Anthropic отмечает, что схема «один агент + скиллы» превзошла по качеству ответов как гигантские монолитные промпты, так и архитектуру с субагентами, продемонстрировав при этом меньшую стоимость и задержку. Узкие субагенты целесообразны только для изолированных фоновых задач, вроде глубокого аналитического поиска.

Правило разделения между системным промптом и скиллами определяется частотой вызова: если инструкция затрагивает треть или более входящего трафика, ее помещают в системный промпт. Правила безопасности, требования к тональности бренда и базовые факты о пользователе всегда располагаются в промпте, тогда как более узкие сценарии выносятся в отделяемые скиллы.

Интерфейс как инструменты: работа с UI-компонентами

Ответы в коммерческих чатах редко ограничиваются простым текстом — чаще всего пользователю нужно показать витрину, сравнение планов или маршрут. Вместо того чтобы просить языковую модель форматировать кастомные теги или сложную разметку, фреймворк декларирует каждый интерфейсный виджет как инструмент (tool): present_products, present_itinerary, present_plan_comparison.

Модель вызывает инструмент с типизированными аргументами, а сервер валидирует их перед рендерингом на стороне клиента. Поскольку такие вызовы нативно хранятся в массиве сообщений, при перезагрузке истории не требуются сторонние парсеры. Агент способен без труда понять референс вроде «забронируй первый отель» из предыдущего вызова виджета. Для мгновенной передачи токенов предусмотрена настройка eager_input_streaming: true, которая пропускает серверную буферизацию аргументов ради минимального времени ожидания.

Производительность: задержка, кэширование промптов и работа с памятью

Типичный сгенерированный ответ содержит от 500 до 700 токенов вывода. Без потоковой передачи это выливается примерно в 5 секунд ожидания перед пустым экраном. Anthropic разграничивает сквозную (end-to-end) и воспринимаемую (perceived) задержку, организуя потоковый рендеринг компонентов по мере их готовности и вывод текстовых строк статуса работы.

Механизм Eager tool dispatch, работающий по умолчанию в Agent SDK, задействует инструмент сразу после завершения стриминга аргументов. Это сокращает многосекундные паузы между вызовами до пары сотен миллисекунд.

Главным рычагом снижения финансовых затрат выступает кэширование промптов (Prompt Caching). Промпты упорядочиваются по принципу префиксов: глобальный контекст → сессионные данные → изменяемые данные. Если поместить динамическую метку времени в самое начало системного промпта, кэш будет сбрасываться при каждом запросе. Чтение из кэша обходится в 10 раз дешевле обычных токенов, а оптимально настроенные агенты достигают показателя попадания в кэш (hit rate) на уровне 90–99%.

Извлечение и сохранение долгосрочных фактов о пользователе вынесено в отдельный асинхронный процесс. По данным тестов Anthropic, такая фоновая обработка дает на 13% более высокую точность запоминания фактов, чем инструмент сохранения данных непосредственно во время диалогового хода.

Главные выводы и безопасное исполнение

Релиз Claude Commerce Agents показывает переход от экспериментальных промптов к зрелой инженерной архитектуре ИИ-приложений. Чертежи Anthropic обеспечивают гибкость за счет лицензии Apache 2.0 и предлагают доказанную на практике модель с единым агентом и модульными скиллами.

Важным аспектом остается безопасность: финансовые транзакции, изменение данных и генерация идентификаторов жестко контролируются программным кодом (gating). Языковая модель лишь предлагает действия и аргументы, но конечное решение и исполнение проводятся программной обвязкой сервиса.

Источник: www.marktechpost.com