Anthropic Commerce Agents: Архитектура AI-агентов для ритейла

Если вы когда-либо пытались создать собственного AI-ассистента для интернет-магазина или сервиса бронирования, вы, вероятно, столкнулись с одной и той же проблемой: бесконечное переизобретение базовой инфраструктуры. Команды тратят недели на настройку циклов работы агентов, интеграцию слоев инструментов с каталогом товаров, разработку механизмов одобрения транзакций и создание систем оценки качества. Это рутинная, но критически важная работа, которая часто отвлекает от создания реальной ценности для пользователя. Anthropic, известная своим подходом к безопасности и прозрачности в области искусственного интеллекта, решила изменить этот парадигму. Они выпустили не просто библиотеку, а полноценный архитектурный blueprint — эталонный шаблон, который позволяет разработчикам сразу переходить к созданию уникальных функций, а не тратить время на фундамент.

На прошлой неделе Anthropic опубликовала репозиторий anthropics/commerce-agents под лицензией Apache 2.0. Это не просто демонстрационный код, а готовая к развертыванию система, включающая два основных типа агентов: агент покупателя (shopping agent) и агент продавца (merchant agent). Более того, проект поставляется с четырьмя готовыми вертикальными решениями: для розничной торговли, путешествий, телекоммуникаций и развлечений. Это знаковое событие для индустрии, так как оно демонстрирует переход от экспериментальных чат-ботов к надежным, промышленным AI-системам, способным обрабатывать сложные бизнес-процессы. В этой статье мы подробно разберем, как устроена эта архитектура, почему подход Anthropic с «навыками» (skills) превосходит традиционные методы с под-агентами, и как вы можете запустить это решение локально или в облаке.

01Доступность и развертывание: от локального ПК до облачных гигантов

Одним из самых сильных преимуществ нового релиза Anthropic является его открытость и гибкость. Репозиторий распространяется под лицензией Apache 2.0, что позволяет компаниям свободно использовать, модифицировать и внедрять этот код в свои коммерческие продукты без риска юридических проблем, связанных с проприетарным ПО. Технически проект требует Python 3.11+ и Node 22, что делает его совместимым с современными стандартами разработки. Для запуска достаточно иметь ключ API ANTHROPIC_API_KEY, однако архитектура спроектирована так, чтобы быть независимой от конкретного провайдера.

Ключевая особенность системы — поддержка любого клиента Anthropic. Это означает, что один и тот же код может быть развернут не только через официальный API Claude, но и через Amazon Bedrock, Microsoft Azure AI Foundry или Google Cloud Vertex AI. Для разработчиков в России и других регионах, где доступ к некоторым международным сервисам может быть ограничен, это открывает возможности для локального запуска или использования альтернативных облачных провайдеров, поддерживающих совместимые интерфейсы. Такая абстракция позволяет бизнесу не зависеть от одного вендора и выбирать наиболее выгодные условия хостинга и вычислительных мощностей.

02Два агента: покупатель и продавец

Архитектура commerce-agents четко разделяет роли между клиентом и бизнесом, предоставляя два специализированных агента, которые могут работать как независимо, так и в связке. Понимание их различий и функционала является ключом к успешной интеграции.

Агент покупателя (Shopping Agent)

Этот агент живет непосредственно в приложении или на сайте продавца. Его главная задача — помочь пользователю найти товар, сравнить варианты, собрать корзину и оформить заказ. Но на этом его функции не заканчиваются. Агент также отвечает на вопросы об истории заказов, статусе доставки и процедурах возврата, сохраняя контекст всей беседы. Это создает ощущение непрерывного диалога, а не разрозненных сессий.

Функциональность агента покупателя разделена на пять ключевых навыков (skills):

• Search-discovery (Поиск и обнаружение): Понимание намерений пользователя, даже если они сформулированы неточно, и поиск релевантных товаров в каталоге.
• Purchase-research (Исследование покупки): Сравнение характеристик, цен и отзывов для помощи в принятии решения.
• Planning-goals (Планирование): Помощь в составлении списков покупок или планировании крупных приобретений (например, подготовка к отпуску).
• Customer-care (Обслуживание клиентов): Ответы на вопросы о доставке, гарантиях и возвратах.
• Memory-personalization (Память и персонализация): Запоминание предпочтений пользователя для будущих взаимодействий, что делает опыт более индивидуальным.

Для работы этому агенту требуется реализация интерфейса StorefrontBackend, который связывает AI с реальными системами каталога, корзины, заказов и политик возврата. Это обеспечивает безопасность и точность транзакций.

Агент продавца (Merchant Agent)

Второй агент ориентирован на внутреннюю работу магазина. Он поддерживает сотрудников, отвечая на вопросы о продажах, предупреждая о низком остатке товаров на складе, рекомендуя цены и акции, а также помогая в разработке маркетинговых кампаний. Его навыки включают:

• Performance-insights (Аналитика эффективности): Анализ продаж и трендов.
• Catalog-listings (Управление каталогом): Информация о наличии и характеристиках товаров.
• Inventory-operations (Операции со складом): Контроль запасов и логистики.
• Pricing-promotions (Ценообразование и акции): Рекомендации по динамическому ценообразанию.
• Marketing-campaigns (Маркетинговые кампании): Генерация идей и черновиков рекламных материалов.

Этот агент работает поверх MerchantBackend, который предоставляет доступ к внутренним данным бизнеса. Важно отметить, что оба агента могут запускаться тремя способами: через Messages API, через Claude Agent SDK или через Claude Managed Agents (в бета-версии). Это дает разработчикам гибкость в выборе уровня абстракции и контроля.

03Навыки (Skills) против под-агентов (Subagents)

Самая инновационная часть архитектуры Anthropic — это отказ от традиционной модели «роутера намерений» (intent router) и создания отдельного под-агента для каждой доменной области. В классическом подходе система определяет намерение пользователя и перенаправляет запрос в специализированный агент. Anthropic утверждает, что этот подход имеет серьезные недостатки: каждый переход (handoff) между агентами приводит к потере состояния (state-lossy), увеличивает количество токенов и добавляет задержку в несколько секунд. Кроме того, многие задачи пересекаются: например, процесс возврата товара требует доступа к истории заказов, текущей корзине и каталогу одновременно.

Вместо этого Anthropic предлагает использовать навыки (skills). Навыки — это инструкции и инструменты, которые загружаются в контекст одного основного агента, который уже владеет историей разговора. Это обеспечивает модульность без накладных расходов на переключение между агентами. По данным Anthropic, в нескольких корпоративных развертываниях один агент с навыками показал лучшие результаты по качеству ответов, часто при более низкой стоимости и задержке по сравнению как с подходом «один большой промпт», так и с архитектурой под-агентов. Под-агенты все еще имеют право на существование для узких, изолированных задач, таких как глубокое исследование данных, но для основных коммерческих сценариев навыки оказываются эффективнее.

Разделение между системным промптом и навыками определяется частотой использования. Примерно треть или больше трафика обрабатывается через системный промпт, который содержит правила безопасности, брендовые ограничения и ключевые факты о пользователе. Остальная часть функционала делегируется навыкам, которые загружаются по мере необходимости.

04UI-компоненты как инструменты (Tools)

В большинстве коммерческих приложений ответы AI — это не просто текст, а структурированные элементы интерфейса: карточки товаров, itineraries (маршруты путешествий), сравнительные таблицы. Традиционный подход требует от модели генерировать пользовательские теги или JSON, которые затем парсятся на клиенте. Anthropic предлагает иной путь: каждый UI-компонент становится инструментом (tool).

Например, вместо того чтобы просить модель сгенерировать HTML-код для списка отелей, система использует инструмент present_itinerary с типизированными аргументами. Сервер валидирует эти аргументы перед тем, как клиент отобразит компонент. Поскольку такие вызовы находятся в массиве сообщений (messages array) нативно, перезагрузка истории разговора не требует сложного пользовательского парсера. Агент может легко определить, что пользователь имел в виду под «первым отелем», ссылаясь на последний вызов инструмента. Для потоковой передачи (streaming) на уровне токенов используется параметр eager_input_streaming: true, который пропускает буферизацию на стороне сервера и гарантирует целостность схемы данных.

05Задержка, кэширование и память

Производительность — критический фактор для коммерческих AI-агентов. Отрисованный ответ обычно содержит 500–700 выходных токенов. Без потоковой передачи это может означать пять секунд ожидания с «крутилкой» загрузки, что недопустимо для пользовательского опыта. Anthropic разделяет сквозную задержку (end-to-end latency) и воспринимаемую задержку (perceived latency). Система потоково передает компоненты по мере их формирования и отображает текстовые строки прогресса, создавая ощущение мгновенного отклика.

Ключевым механизмом оптимизации является prompt caching (кэширование промптов). Запросы упорядочиваются по уровням: глобальный → сессионный → изменчивый (volatile). Поскольку кэширование основано на префиксах, размещение временной метки в начале системного промпта приведет к пропуску кэша при каждом запросе. Кэшированные чтения стоят в десять раз дешевле новых токенов, а запись в кэш имеет премию около 1.25x. Лучшие развертывания достигают уровня попадания в кэш (hit rate) 90–99%.

Извлечение памяти (memory extraction) выполняется асинхронно в отдельном процессе. Anthropic измерила, что этот метод обеспечивает на 13% более высокую точность воспоминаний фактов по сравнению с инструментом сохранения в рамках одного ответа. Это позволяет агенту запоминать важные детали о предпочтениях пользователя без задержек в основном потоке обработки.

06Что это значит на практике

Релиз Anthropic commerce-agents знаменует собой важный шаг в эволюции AI-агентов от развлекательных чат-ботов к серьезным бизнес-инструментам. Для разработчиков это означает, что больше не нужно изобретать велосипед при создании AI-ассистентов для электронной коммерции. Наличие готового blueprint под лицензией Apache 2.0 позволяет сосредоточиться на уникальных особенностях бизнеса, а не на базовой инфраструктуре.

Для бизнеса это открывает возможности для создания более персонализированного и эффективного обслуживания клиентов. Использование навыков вместо под-агентов снижает затраты на токены и улучшает скорость отклика, что напрямую влияет на конверсию и удовлетворенность клиентов. Интеграция UI-компонентов как инструментов обеспечивает более гладкий пользовательский опыт, а оптимизация кэширования и памяти делает такие решения экономически выгодными даже при высоких нагрузках.

В условиях, когда конкуренция в электронной коммерции и других секторах растет, внедрение таких передовых AI-технологий становится не просто преимуществом, а необходимостью. Anthropic предоставляет не просто код, а целую философию построения надежных, безопасных и эффективных AI-систем, которые могут масштабироваться вместе с бизнесом. Следующим шагом для многих компаний станет адаптация этого blueprint под свои специфические нужды и интеграция с существующими системами управления заказами и складом.

Если вы хотите углубиться в технические детали, рекомендуется ознакомиться с инженерным обзором от Anthropic, объявлением о продукте и демонстрациями commerce. Также не забудьте проверить репозиторий на GitHub для получения актуальной документации и примеров кода.

Источник: MarkTechPost ↗