Anthropic เปิดตัว Claude Commerce Agents พิมพ์เขียวโอเพนซอร์สเพื่อการค้าอัจฉริยะ

ทีมพัฒนาที่สร้างผู้ช่วยหรือเอเจนต์สำหรับการช้อปปิ้งส่วนใหญ่มักต้องเสียเวลาสร้างโครงสร้างพื้นฐาน (scaffolding) เดิมซ้ำๆ ไม่ว่าจะเป็นลูปเอเจนต์ (agent loop) เลเยอร์เครื่องมือสำหรับจัดการแคตตาล็อก ประตูกรองการอนุมัติ (approval gate) หรือชุดทดสอบประสิทธิภาพ ล่าสุด Anthropic ได้แก้ไขปัญหานี้ด้วยการปล่อยโครงสร้างพื้นฐานดังกล่าวในรูปแบบโค้ดโอเพนซอร์ส

ในสัปดาห์นี้ Anthropic ได้เผยแพร่ anthropics/commerce-agents ซึ่งเป็นพิมพ์เขียวอ้างอิงที่ประกอบด้วย shopping agent และ merchant agent พร้อมตัวอย่างกลุ่มธุรกิจที่รองรับ 4 กลุ่ม ได้แก่ ค้าปลีก (retail), ท่องเที่ยว (travel), โทรคมนาคม (telecom) และความบันเทิง (entertainment) โดยมาพร้อมกับ การประกาศผลิตภัณฑ์ และคู่มือทางวิศวกรรมฉบับเจาะลึก คู่มือกายวิภาคของเอเจนต์คอมเมิร์ซที่มีประสิทธิภาพ

โปรเจกต์นี้สามารถนำไปใช้งานจริงได้ทันทีผ่านสัญญาอนุญาต Apache 2.0 โดยรันบน Python 3.11+ และ Node 22 เพียงใช้ ANTHROPIC_API_KEY ก็สามารถปรับใช้ได้ทั้งบน Claude API, Amazon Bedrock, Microsoft Foundry หรือ Google Cloud Vertex AI

เอเจนต์ทั้งสองประเภท

shopping agent จะทำงานอยู่ภายในแอปของร้านค้า ทำหน้าที่ค้นหาแคตตาล็อก จัดการคำขอหลายรายการ เปรียบเทียบตัวเลือก สร้างตะกร้าสินค้า และตอบคำถามเกี่ยวกับการสั่งซื้อหรือคืนสินค้าในการสนทนาเดียว โดยมี 5 ทักษะหลักคือ search-discovery, purchase-research, planning-goals, customer-care และ memory-personalization ซึ่งจะทำงานเชื่อมกับ StorefrontBackend ของร้าน

merchant agent ถูกออกแบบมาเพื่อสนับสนุนพนักงานร้านค้าในด้านการวิเคราะห์ยอดขาย การแจ้งเตือนสต็อกสินค้า คำแนะนำด้านราคาและโปรโมชัน ไปจนถึงการร่างแคมเปญการตลาด โดยมีทักษะสำคัญอย่าง performance-insights, catalog-listings และ inventory-operations ซึ่งทำงานผ่านระบบ MerchantBackend

ทั้งสองเอเจนต์สามารถรันได้สามช่องทาง คือ Messages API, Claude Agent SDK และ Claude Managed Agents (beta) นอกจากนี้ยังมีปลั๊กอิน Claude Code ที่ชื่อ commerce-builder สำหรับช่วยสร้างโครงสร้างเอเจนต์ใหม่หรือตรวจสอบตัวเดิมที่มีอยู่แล้ว

ทักษะ ไม่ใช่เอเจนต์ย่อย

สถาปัตยกรรมที่ Anthropic นำเสนอเน้นการใช้ทักษะ (Skills) แทนการใช้เอเจนต์ย่อย (subagent) แยกตามโดเมน เนื่องจากเซสชันคอมเมิร์ซเป็นการสนทนาที่เชื่อมโยงกันอย่างแน่นแฟ้น การส่งต่อภารกิจระหว่างเอเจนต์ย่อยมักทำให้ข้อมูลสำคัญสูญหาย (state-lossy) เพิ่มต้นทุนโทเคน และทำให้เกิดความหน่วง (latency) ที่สูงขึ้น

ทักษะของเอเจนต์ (Agent skills) ให้ความคล่องตัวในระดับเดียวกันโดยไม่มีข้อเสียเรื่องค่าใช้จ่ายและความหน่วง เนื่องจากคำสั่งจะถูกโหลดเข้าสู่เอเจนต์หลักที่ถือประวัติการสนทนาอยู่แล้ว จากการทดสอบพบว่าเอเจนต์เดี่ยวที่มีทักษะสามารถทำคุณภาพได้ดีกว่าทั้งการใช้พรอมต์ขนาดใหญ่ชุดเดียวและการออกแบบแบบเอเจนต์ย่อย

การแบ่งแยกระหว่างพรอมต์และทักษะจะพิจารณาจากความถี่ในการใช้งาน โดยกฎความปลอดภัยและข้อจำกัดของแบรนด์จะถูกเก็บไว้ในระบบพรอมต์ (system prompt) ส่วนรายละเอียดการทำงานเฉพาะด้านจะถูกแยกออกไปอยู่ในส่วนของทักษะ

คอมโพเนนต์ UI คือเครื่องมือ

ในการทำคอมเมิร์ซ การตอบกลับส่วนใหญ่มักอยู่ในรูปแบบของคอมโพเนนต์ส่วนติดต่อผู้ใช้ พิมพ์เขียวนี้จึงกำหนดให้แต่ละคอมโพเนนต์เป็นเครื่องมือ เช่น present_products หรือ present_plan_comparison ซึ่งเซิร์ฟเวอร์จะตรวจสอบความถูกต้องก่อนเรนเดอร์ วิธีนี้ช่วยให้เอเจนต์เข้าใจบริบทได้ทันทีว่าผู้ใช้กำลังพูดถึงสินค้าชิ้นไหนจากข้อมูลที่เพิ่งแสดงผลไป

ความหน่วง การแคช หน่วยความจำ เพื่อลดระยะเวลาการรอคอยของผู้ใช้ Anthropic ใช้เทคนิคการสตรีมคอมโพเนนต์และบรรทัดความคืบหน้า รวมถึงการรันเครื่องมือแบบเร่งด่วน (Eager tool dispatch) ซึ่งช่วยลดความหน่วงจากหลายวินาทีให้เหลือเพียงเสี้ยววินาทีเท่านั้น

การแคชพรอมต์ (Prompt caching) เป็นหัวใจสำคัญในการควบคุมต้นทุน โดยการจัดลำดับข้อมูลจากส่วนที่คงที่ไปหาข้อมูลที่เปลี่ยนแปลงง่าย วิธีนี้ช่วยให้อัตราการเรียกใช้จากแคช (hit rates) สูงถึง 90–99% ซึ่งมีราคาถูกกว่าโทเคนใหม่ถึง 10 เท่า นอกจากนี้ ระบบหน่วยความจำที่ทำงานแบบอะซิงโครนัสยังช่วยให้จดจำข้อเท็จจริงได้แม่นยำกว่าเครื่องมือบันทึกแบบเดิมถึง 13%

ประเด็นสำคัญ

• ปล่อยพิมพ์เขียว Apache 2.0 ครอบคลุม 4 กลุ่มธุรกิจหลัก พร้อมปลั๊กอิน Claude Code
• ระบบเอเจนต์เดี่ยวที่มีทักษะ (Single agent with skills) มีประสิทธิภาพสูงกว่าและต้นทุนต่ำกว่าระบบเอเจนต์ย่อย
• ใช้คอมโพเนนต์ UI เป็นเครื่องมือช่วยให้รักษาบริบทการสนทนาได้เป็นธรรมชาติ
• การวางโครงสร้างแคชที่ถูกต้องช่วยลดต้นทุนได้มหาศาล และควรวางข้อมูลที่เปลี่ยนแปลงง่ายไว้ท้ายสุดเสมอ
• ระบบถูกออกแบบให้มีการกั้นส่วน (harness) เพื่อความปลอดภัย โดยโมเดลเป็นผู้เสนอการกระทำ แต่ระบบควบคุมเป็นผู้ดำเนินการจริง