Anthropic ra mắt Claude Commerce Agents: Bộ khung mã nguồn mở cho đại lý mua sắm và thương mại

Hầu hết các đội ngũ xây dựng trợ lý hoặc tác nhân (agent) mua sắm đều phải xây dựng lại cùng một bộ khung: vòng lặp tác nhân, lớp công cụ trên danh mục sản phẩm, cổng phê duyệt và bộ công cụ đánh giá. Anthropic hiện đã phát hành bộ khung đó dưới dạng mã nguồn. Tuần này, họ đã công bố anthropics/commerce-agents, một bản thiết kế tham chiếu bao gồm một tác nhân mua sắm và một tác nhân thương mại, cùng với bốn lĩnh vực có thể triển khai ngay: bán lẻ, du lịch, viễn thông và giải trí. Bản phát hành này đi kèm với hai bài viết: thông báo sản phẩm và bài phân tích kỹ thuật chuyên sâu, "Hướng dẫn về cấu trúc của các tác nhân thương mại hiệu quả".

Nó có thể triển khai được không? Có. Kho lưu trữ này sử dụng giấy phép Apache 2.0, chạy cục bộ trên Python 3.11+ và Node 22 với ANTHROPIC_API_KEY. Các runtime chấp nhận bất kỳ client nào của Anthropic, vì vậy cùng một mã nguồn có thể triển khai trên Claude API, Amazon Bedrock, Microsoft Foundry hoặc Google Cloud Vertex AI.

Hai loại tác nhân

Tác nhân mua sắm nằm bên trong ứng dụng của người bán. Nó tìm kiếm danh mục sản phẩm, xử lý các yêu cầu nhiều mặt hàng, so sánh các tùy chọn, xây dựng giỏ hàng và trả lời các câu hỏi về đơn hàng cũng như đổi trả trong cùng một cuộc hội thoại. Năm kỹ năng của nó bao gồm: tìm kiếm-khám phá, nghiên cứu-mua sắm, lập kế hoạch-mục tiêu, chăm sóc khách hàng và ghi nhớ-cá nhân hóa. Việc triển khai sẽ thiết lập một StorefrontBackend trên các hệ thống danh mục, giỏ hàng, đơn hàng và chính sách của cửa hàng.

Tác nhân thương mại hỗ trợ nhân viên cửa hàng: các câu hỏi về hiệu suất bán hàng, cảnh báo hàng tồn kho, đề xuất giá và khuyến mãi, cùng các bản nháp chiến dịch. Các kỹ năng của nó bao gồm: thông tin chi tiết về hiệu suất, danh sách danh mục, vận hành hàng tồn kho, giá cả-khuyến mãi và chiến dịch tiếp thị, thông qua một MerchantBackend.

Cả hai đều chạy theo ba cách — Messages API, Claude Agent SDK và Claude Managed Agents (beta) — từ một định nghĩa duy nhất về prompt, kỹ năng, hợp đồng công cụ và cổng kiểm soát. Một plugin Claude Code có tên commerce-builder giúp tạo khung cho tác nhân mới (/scaffold-commerce-agent) hoặc đánh giá tác nhân hiện có (/review-commerce-agent).

Kỹ năng, không phải tác nhân phụ (subagent)

Yêu cầu về kiến trúc là phần có khả năng chuyển đổi cao nhất. Anthropic lập luận chống lại việc sử dụng bộ định tuyến ý định (intent router) và việc sử dụng mỗi tác nhân phụ cho một lĩnh vực. Một phiên thương mại là một cuộc hội thoại gắn kết chặt chẽ, và mỗi lần chuyển giao đều gây mất trạng thái: trình điều phối giữ giỏ hàng, tùy chọn và lịch sử, và mỗi lần chuyển giao có thể tiêu tốn lượng token gấp nhiều lần và làm tăng độ trễ thêm vài giây. Các lĩnh vực cũng chồng chéo lên nhau, ví dụ: quy trình đổi trả cần lịch sử đơn hàng, giỏ hàng và danh mục cùng một lúc.

Các kỹ năng của tác nhân mang lại tính mô-đun tương tự mà không phải trả cái giá đó, vì các hướng dẫn kỹ năng được tải vào tác nhân vốn đã nắm giữ lịch sử hội thoại. Qua nhiều lần triển khai cho doanh nghiệp, Anthropic báo cáo rằng một tác nhân duy nhất với các kỹ năng đã vượt qua cả thiết kế "một prompt lớn" và thiết kế "tác nhân phụ" về chất lượng, thường với chi phí và độ trễ thấp hơn. Các tác nhân phụ vẫn có chỗ đứng cho những công việc hẹp, khép kín như nghiên cứu chuyên sâu.

Sự phân chia giữa prompt và kỹ năng được quyết định bởi tần suất: khoảng một phần ba hoặc nhiều hơn lưu lượng truy cập nằm trong system prompt, phần còn lại nằm trong các kỹ năng. Các quy tắc an toàn, ràng buộc thương hiệu và thông tin quan trọng của người dùng luôn nằm trong prompt.

Các thành phần giao diện người dùng (UI) là công cụ

Hầu hết các phản hồi thương mại là các thành phần, không phải văn bản thuần túy. Thay vì yêu cầu mô hình xuất ra các thẻ tùy chỉnh, bản thiết kế biến mỗi thành phần thành một công cụ — present_products, present_itinerary, present_plan_comparison — với các đối số được định kiểu mà máy chủ xác thực trước khi client hiển thị. Vì các lệnh gọi đó nằm trong mảng tin nhắn một cách tự nhiên, việc tải lại lịch sử không cần trình phân tích cú pháp tùy chỉnh và tác nhân có thể giải quyết yêu cầu "khách sạn đầu tiên" từ lệnh gọi hiển thị trước đó. Đối với việc truyền phát (streaming) ở cấp độ token, eager_input_streaming: true giúp bỏ qua bộ đệm phía máy chủ và đảm bảo lược đồ của nó.

Giải thích: năm quyết định, tương tác

Độ trễ, bộ nhớ đệm, bộ nhớ

Một phản hồi được hiển thị chạy khoảng 500–700 token đầu ra, nếu không có streaming thì sẽ mất năm giây chờ đợi. Anthropic tách biệt độ trễ end-to-end khỏi độ trễ cảm nhận, truyền phát các thành phần khi chúng được hình thành và hiển thị các dòng tiến trình bằng ngôn ngữ đơn giản. Việc điều phối công cụ nhanh (eager tool dispatch) — thực thi từng lệnh gọi ngay khi các đối số của nó hoàn tất truyền phát, đây là mặc định của Agent SDK — được cho là giúp cắt giảm khoảng thời gian chờ vài giây xuống còn vài trăm mili giây.

Bộ nhớ đệm prompt (prompt caching) là đòn bẩy chi phí chính. Các yêu cầu được sắp xếp theo thứ tự global → session → volatile, vì bộ nhớ đệm dựa trên tiền tố và dấu thời gian ở đầu system prompt sẽ làm hỏng bộ nhớ đệm trong mỗi yêu cầu. Các lần đọc từ bộ nhớ đệm có chi phí bằng một phần mười token mới, các lần ghi vào bộ nhớ đệm có mức phí cao hơn khoảng 1,25 lần, và các triển khai tốt nhất đạt tỷ lệ hit từ 90–99%. Quá trình trích xuất bộ nhớ chạy không đồng bộ trong một tiến trình riêng biệt; Anthropic đo lường được khả năng ghi nhớ sự kiện cao hơn 13% so với công cụ lưu trữ theo lượt.

Những điểm chính cần lưu ý

Hãy xem bài phân tích kỹ thuật chuyên sâu của Anthropic, thông báo sản phẩm, kho lưu trữ GitHub và các bản demo thương mại. Ngoài ra, hãy theo dõi chúng tôi trên Twitter và đừng quên tham gia SubReddit ML 150k+ của chúng tôi và đăng ký nhận bản tin. Khoan đã! Bạn có dùng Telegram không? Bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Cần hợp tác với chúng tôi để quảng bá GitHub Repo, trang Hugging Face, bản phát hành sản phẩm hoặc hội thảo trực tuyến của bạn? Hãy kết nối với chúng tôi.

Asif Razzaq là CEO của Marktechpost Media Inc. Là một doanh nhân và kỹ sư có tầm nhìn, Asif cam kết khai thác tiềm năng của Trí tuệ nhân tạo vì lợi ích xã hội. Nỗ lực gần đây nhất của ông là ra mắt Nền tảng truyền thông Trí tuệ nhân tạo, Marktechpost, nổi bật với việc đưa tin chuyên sâu về tin tức học máy và học sâu, vừa đảm bảo tính kỹ thuật vừa dễ hiểu đối với đông đảo khán giả. Nền tảng này tự hào với hơn 2 triệu lượt xem hàng tháng, minh chứng cho sự phổ biến của nó đối với độc giả.