电商购物车容量提升35%，Anthropic开源智能体全套方案

Anthropic近日开源了Claude Commerce Agents的全套架构与代码，为零售、旅游、电信和票务等场景提供了可复用的落地蓝图。实测数据显示，接入该方案的商家，用户购物车容量提升了35%，最终购买概率提升了60%。这一数字背后，是Anthropic对电商对话智能体架构的重新思考：与其拆分多个子代理，不如让一个主模型在推理-行动-观察的循环中，通过挂载技能来扩展能力。

为什么不用多子代理？

Anthropic指出，按业务拆分出搜索、售后、优惠等子代理，在真实交易中效果并不理想。原因在于，电商对话的上下文强耦合，任务在代理间交接时会丢失状态、浪费Token，还增加延迟。相比之下，他们的方案是让一个主模型运行在推理-行动-观察循环中，技能说明直接加载到拥有完整历史的主Agent中，从而避免上下文交接的损耗。仅在两类情况下才适合引入子代理：一是任务高度封闭且消耗大量上下文（如深度调研），二是业务已有独立且合规要求高的成熟代理系统，此时采用直接移交。

指令配置与工具设计

判断哪些能力该写入系统提示词，标准是出现频率。超过三分之一流量都会使用的通用能力（如基础搜索、购物车规则、安全指令）写入系统提示词，而长尾功能则打包成技能按需加载。如果能够从来源页面预判用户需求，就在代码层提前注入技能。

工具设计上，UI组件本身即工具。模型传入结构化参数，服务器校验后渲染出商品卡片、行程列表等，这样既避免模型输出自定义标签导致出错，也能确保历史记录可以当作上下文使用。

速度、成本与省钱关键

任务总耗时等于思考轮数、工具处理时间和Token生成时间之和，因此减少对话轮数比换用更快的弱模型更有效。实测显示，更聪明的模型虽然生成稍慢，但规划能力强、工具调用精准，总轮数反而更少。工程上可以采用预先调度机制，在模型生成参数时同步执行后端请求。前端需要流式渲染组件，并显示“正在寻找靠海酒店”等实时进度提示。

省钱的关键在于提示词缓存，电商场景下命中率可达90%-99%。上下文需要分层排列：全局层（系统提示词、工具定义）放在最前，会话层（用户画像、历史）居中，易变层（时间戳、当前网页）置于最末尾，以避免缓存失效。

生产落地的三个要点

记忆方面，采用异步方式存入数据库，并绑定具体登录人而非共用账号。后台进程扫描对话文本，提取事实（如过敏史、偏好），不占用主对话时间，实测事实召回率提升13%。提取模型只读纯文本对话，不读工具返回的冗余信息。

安全合规方面，规则写死在代码中。所有修改操作分步确认，模型仅有提议权，最终需用户或商家确认。模型提交的数据ID必须全量校验，拦截未下发过的捏造ID。服务器端对限购和降价幅度按聚合结果校验，并对单用户写入串行化排队。外部文字（如评价、卖家描述）须经数据清洗并用标签隔开，明确为参考资料。

评测方面，构建状态切片（对话历史+购物车状态+测试问题）直接跑一步，检查输出状态和工具参数。评测集须包含长文本、矛盾、攻击性指令等脏数据，每个正向用例配反向拒绝用例。跨业务组合场景须同时评测多个动作。在大团队中，业务负责人认领对应工具、技能和评测集，代码提交走精准CI，全量评测在夜间运行，上线前灰度切流并配一键降级开关。

这套架构的核心逻辑是：业务系统与规则不变，大模型仅负责前端的理解、调度与交互。基础模型越智能，底层工程支架越扎实，升级模型就只是参数调整与评测过筛。对于电商开发者而言，这无疑提供了一份值得参考的实践指南。