ИИ-ассистент для интернет-магазина: как запустить на Claude

ИИ-ассистент для интернет-магазина больше не требует проектирования с нуля: агентный цикл, навыки, контракты инструментов, защитные механизмы и интерфейсные паттерны уже собраны в Claude Commerce Agents. Но основная работа всё равно остаётся за командой магазина — подключить надёжные данные каталога, привязать каждое действие к конкретному покупателю, получать актуальные остатки и не позволять модели переходить к оплате или другим необратимым операциям.

Всё это важно довести до продакшена, потому что потенциальный эффект можно измерить. По данным Anthropic, у ритейлеров, использующих торговых агентов на Claude, размер корзины увеличивался до 35%, а вероятность завершения покупки — на 60%. Это не обещание для каждого магазина, а повод воспринимать агента как продукт для роста конверсии, а не как очередной чат-виджет.

Claude Commerce Agents даёт каркас, но не готовый магазин

Claude Commerce Agents — референсная реализация под лицензией Apache-2.0 для двух ролей. Покупательский агент работает с клиентами: ищет и сравнивает товары, планирует покупку из нескольких позиций, наполняет корзину, отвечает на вопросы о правилах и заказах, запоминает предпочтения. Агент продавца остаётся на стороне магазина: анализирует показатели, следит за остатками, предлагает изменения цен и готовит кампании.

Архитектура покупательского агента намеренно проста: одна модель выполняет цикл, общие правила находятся в системном промпте, более редкие процедуры распределены по пяти навыкам, а инструменты обращаются к уже работающим коммерческим системам. Это похоже на обученного консультанта за одной стойкой. Он помнит весь разговор, но проверяет остатки через складской терминал, устанавливает личность клиента через клиентскую систему, а с корзиной работает через кассу.

Одно и то же определение можно запускать через Messages API, Claude Agent SDK или Claude Managed Agents. Такая переносимость полезна, но не превращает примеры в готовое продакшен-решение. Anthropic прямо указывает, что в демо нет аутентификации. Репозиторий не оформляет заказы, не списывает деньги с карты и не содержит ваших правил по фроду, допускам, остаткам и соблюдению требований.

Экономика начинается там, где заканчивается демо

Готовый каркас снижает стоимость выхода на убедительную первую версию. На странице запуска Anthropic Wix сообщает о прототипе, принимающем промпты, за 15 минут; Fetch запустила оба референсных агента локально значительно быстрее чем за час; а Zomato считает, что включённые практики могут сэкономить командам недели проб и ошибок. Это отчёты партнёров, а не гарантированные сроки разработки. Но сдвиг в бюджете очевиден: меньше инженерного времени уходит на изобретение агентного каркаса, больше — на качество каталога, права доступа, оценку и последний участок до оформления заказа.

Расходы на модель тоже могут оказаться небольшими по сравнению с интеграцией. Тариф Claude Sonnet 5 составляет $2 за миллион новых входных токенов, $0.20 за миллион входных токенов из кеша и $10 за миллион выходных токенов. В условном ходе с 20,000 входных и 800 выходными токенами модель обойдётся в $0.048, если все входные токены новые. Если 18,000 входных токенов взяты из кеша, а 2,000 — новые, тот же расчёт даёт $0.0156. Сюда не входят поиск, хостинг, наблюдаемость, поддержка и все коммерческие API вокруг модели.

По информации Anthropic, в наиболее эффективных коммерческих внедрениях доля чтений из кеша достигает 90–99%. Поэтому бюджет продакшена — это не «купить LLM», а «сделать каждую завершённую покупательскую задачу точной, быстрой, атрибутируемой и безопасной».

ИИ-ассистент для интернет-магазина: путь в продакшен

Порядок разработки должен соответствовать деньгам и рискам. Сначала выберите покупательскую задачу, затем подключите данные и идентификацию, после этого разрешайте действия и лишь потом оптимизируйте скорость. Красивый диалог с устаревшими остатками всё равно означает, что магазин работает неправильно.

1. Выберите одну покупательскую задачу и один критерий успеха

Не начинайте с требования «отвечать на любые вопросы о каталоге». Возьмите конкретную задачу: помочь выбрать правильный размер матраса, собрать туристический комплект из трёх товаров в заданный бюджет или найти замену отсутствующей позиции, которая есть в наличии.

Успехом должна считаться выполненная задача, а не приятный ответ. Полезные метрики — подбор товара на основе подтверждённых данных, принятая рекомендация, добавление в корзину, переход к оформлению, решение вопроса без обращения в поддержку и доля возвратов по заказам с участием агента. Размер корзины и завершение покупки нужно оценивать рядом с задержкой и стоимостью модели. Самый дешёвый ответ обходится дорого, если в нём рекомендован неверный вариант товара.

2. Подключите существующий поиск и ранжирование к инструменту каталога

Модель не должна становиться поисковой системой магазина. В паттерне Anthropic инструмент search_products возвращает уже ранжированные результаты. Затем Claude определяет, какие из них отвечают ограничениям покупателя и сколько позиций стоит показать.

Представьте каталог в трёх формах: отдельные товары, семейства товаров и доступные для покупки варианты. Например, у семейства рубашек могут быть размеры и цвета, но актуальная цена и остаток принадлежат каждому конкретному варианту. Поиск может вернуть семейство, однако запись в корзину обязана содержать точный вариант. Так агент не добавит «синюю рубашку», не выяснив, есть ли средний размер в синем цвете.

Возвращайте только те поля, которые нужны модели для рассуждения. Обычно достаточно ID товара, названия, цены, наличия, значений опций, важных характеристик и времени обновления источника. Повторение URL изображений и длинных рекламных описаний в каждом результате расходует контекст, не улучшая решение.

Если поиск или рекомендательная система уже существуют, оставьте бизнес-логику в них. Если нет — сначала исправьте извлечение данных, а уже потом настраивайте промпт. Инструмент каталога не компенсирует неполные атрибуты, дублирующиеся SKU или ранжирование, игнорирующее условия покупателя.

3. Установите личность пользователя до того, как модель увидит инструмент

Аутентификация должна выполняться в хост-приложении. Оно авторизует покупателя, определяет принципал клиента или гостя и запускает сессию. Серверные методы получают эту личность из серверного состояния сессии. Модели не передаются ни ID клиента как аргумент инструмента, ни учётные данные для обращения к магазину.

Гость — тоже полноценный принципал, только с меньшим набором прав. Если он запрашивает историю заказов или сохранённые адреса, сервер должен потребовать вход. После авторизации запускайте новую аутентифицированную сессию, а не меняйте анонимную личность посреди разговора.

В демо это разделение легко упустить, а добавлять его позднее дорого. Именно оно отличает «агент вызвал инструмент заказов» от «этому аутентифицированному покупателю разрешено просматривать этот заказ».

4. Проверяйте актуальные остатки непосредственно перед действием

Результаты поиска помогают агенту рассуждать, но источником истины остаётся серверная часть. Внутри операции с корзиной повторно проверяйте остаток, право на покупку, цену, лимиты количества, крайние сроки исполнения и правила акций. Делайте это атомарно: если товар исчез между чтением и записью, система должна дать однозначный ответ.

Если выбранного варианта нет, верните его ID и доступные варианты из того же семейства. Агент объяснит компромисс и попросит покупателя выбрать — незаметно подменять товар нельзя. Для маркетплейсов, персональных цен, дат поездки или самовывоза из конкретного магазина передавайте нужный контекст в серверную систему, которая рассчитывает ответ.

5. Считайте каждый инструмент API с собственной моделью прав

Референсная реализация формирует видимый список инструментов из конфигурации развёртывания. Отключите системы, которых у вас нет, а остальные имена внесите в разрешённый список. Любой вызов за пределами списка должен отклоняться программно.

Следующий слой — проверка происхождения данных. Запись в корзину должна принимать только ID товара, который ваш сервер вернул в этой сессии или который уже находится в этой корзине. Это блокирует выдуманные ID, идентификаторы из чужого аккаунта и инструкции, внедрённые в карточку товара. Тот же принцип действует при отображении: агент выбирает полученный ID, а сервер заполняет карточку товара из собственной записи.

Считайте карточки, отзывы, правила, сообщения продавцов и сохранённые факты недоверенными данными. Среда Anthropic очищает и изолирует сторонний текст до того, как его увидит Claude. Правила в промпте полезны, но права, лимиты количества, защищённые поля и последовательное выполнение записей должны обеспечиваться кодом.

Если развёртыванию нужен дополнительный контроль среды выполнения или шлюза, руководство по шлюзам с управляемыми агентными инструментами поможет разобраться в инфраструктуре для агентов, использующих инструменты.

6. Завершайте полномочия агента на этапе оформления заказа

В Claude Commerce Agents проведена жёсткая граница: модель может собрать и показать корзину, но не может оформить заказ или списать средства с карты. Хост передаёт адрес оформления уже после вызова модели, поэтому сам URL никогда не попадает в её контекст.

Выберите один вариант передачи управления:

1. Открыть оформление внутри собственного приложения.
2. Открыть страницу оформления на коммерческой платформе.
3. Для маркетплейса показать отдельную ссылку на оформление у каждого продавца.

Это удачное продуктовое решение, а не недостающая функция. Покупатель сможет проверить количество, адрес, доставку, скидки и итоговую цену в системе, которая уже отвечает за платежи и соблюдение требований.

Отдельно настройте передачу оператору для неоднозначных ситуаций, которые агент не должен решать самостоятельно. Определите инициирующие намерения, очередь назначения, состав передаваемого резюме разговора и полномочия сотрудника. Фраза «связаться с человеком» — это рабочий процесс с идентификацией и правилами уровня сервиса, а не запасная реплика.

7. Отображайте коммерческий интерфейс через типизированные инструменты

Сетки товаров, таблицы сравнений, планы, корзины и карточки заказов должны быть типизированными инструментами представления. Claude вызывает компонент со структурированными аргументами, сервер проверяет и дополняет их, а клиент отображает результат.

Так видимый интерфейс становится частью истории разговора. Когда покупатель говорит «второй вариант», упорядоченный список товаров по-прежнему находится в сообщениях. Кроме того, модели не приходится генерировать хрупкую нестандартную разметку. Если нужен весь разговорный интерфейс вокруг этих компонентов, руководство по созданию чат-бота разбирает общие интерфейсные решения.

8. Рассчитывайте задержку для всей задачи целиком

Измеряйте время до завершения задачи как сумму времени всех ходов модели и инструментов. Значение имеют и меньшее число ходов, и более быстрые инструменты, и ускоренная выдача токенов.

Загружайте вероятный контекст страницы до первого вызова модели. Выполняйте независимые обращения к каталогу или правилам параллельно. Запускайте каждый инструмент, как только поток аргументов для него завершён. Показывайте карточки товаров по мере поступления полей, а во время медленного поиска выводите простую строку прогресса.

По данным Anthropic, коммерческий ответ с визуальными компонентами часто занимает 500–700 выходных токенов — без постепенного отображения это означает пустой индикатор загрузки в течение пяти или более секунд. Компания также сообщает, что ранний запуск инструментов сокращал наблюдаемые многосекундные паузы до нескольких сотен миллисекунд. Сначала выполните эту инженерную работу и только потом переходите на более слабую модель. Менее способной модели может понадобиться больше ходов, из-за чего завершённая задача окажется дороже.

9. Превратите требования к продукту в evals

Eval — это воспроизводимый сценарий, проверяющий действия агента из известного исходного состояния. Подготовьте важные сообщения, записи каталога, содержимое корзины, сведения о пользователе и сбои, а затем оценивайте итоговое состояние и показанный ответ.

Нужны пять групп: основные покупательские запросы, контекстно-зависимые ходы, сценарии безопасности и бренда, поведение интерфейса и сообщения на стыке двух возможностей. Для каждого положительного сценария создайте отрицательный аналог. Если агент должен предложить доступный вариант, проверьте и случай, когда всех допустимых вариантов нет в наличии. Добавьте вредоносный текст в карточке, ID чужого заказа, тайм-ауты, пустую выдачу, повторное добавление в корзину и изменение цены между поиском и корзиной.

Anthropic рекомендует начинать с 50–100 сценариев на один пользовательский процесс. Создавайте их вместе с командами продукта, юридического отдела, клиентского сервиса и мерчандайзинга, а реальные инциденты превращайте в постоянные регрессионные тесты. Допускайте канареечные релизы только с учётом точности подтверждённых данных, выполнения задач, доли успешно пройденных проверок безопасности, задержек p50 и p99, доли попаданий в кеш и стоимости завершённой задачи.

Семь сценариев e-commerce: кому они принесут больше пользы

Больше всего выиграют магазины, где у покупателей есть реальные ограничения, а ассортимент предполагает существенные компромиссы. Обычный FAQ-бот — самый слабый способ применить эту архитектуру.

1. Консультант для сложного выбора

Для кого: магазин матрасов, бытовой техники, туристического снаряжения или электроники, где товары нужно сравнивать.

Как работает: покупатель описывает цель, бюджет, размеры и предпочтения. Агент запрашивает ранжированные результаты каталога, получает подробности о лучших кандидатах, показывает структурированное сравнение, подтверждает точный вариант и готовит корзину.

Почему окупается: помощь с решением происходит прямо в процессе покупки. Этот сценарий ближе всего к результатам Anthropic по увеличению корзины и завершению покупки, поскольку агент снимает сомнения до ухода посетителя.

2. Сборщик комплекта под конкретную цель

Для кого: магазин совместимых товаров — туристического снаряжения, оборудования для домашнего офиса, средств для ухода за кожей или первого набора для кухни.

Как работает: агент разбивает одну цель на несколько товарных потребностей, параллельно запускает независимые поиски, проверяет общий бюджет, объясняет компромиссы и добавляет одобренные варианты в одну корзину.

Почему окупается: агент увеличивает сумму корзины, помогая выполнить задачу целиком, а не продвигая ещё один товар. Покупателю не приходится открывать несколько категорий и самостоятельно проверять совместимость.

3. Помощник по вариантам и размеру

Для кого: продавцы одежды, косметики, мебели и настраиваемых товаров с высоким риском возврата.

Как работает: покупатель задаёт ограничения по посадке, оттенку, пространству или совместимости. Агент читает опции семейства, проверяет остаток точного варианта, показывает только допустимые сочетания и не добавляет неуточнённую запись семейства.

Почему окупается: ценность здесь не в количестве сообщений, а в снижении числа ошибочных решений. Корректный вариант при оформлении помогает сократить предотвратимые отмены и возвраты, не прерывая покупку.

4. Подбор товара и поддержка после покупки

Для кого: магазины, чья поддержка постоянно отвечает на вопросы о статусе заказа, возвратах, гарантии и правилах.

Как работает: тот же разговор переходит от поиска товара к просмотру заказа авторизованного клиента или поиску по правилам. Агент читает только записи этого покупателя, показывает статус, а исключения передаёт оператору вместе с контекстом.

Почему окупается: один интерфейс работает и на конверсию, и на самостоятельное решение вопросов. Покупателю не приходится заново объяснять другому боту контекст товара, заказа и правил.

5. B2B-ассистент с учётом аккаунта

Для кого: дистрибьюторы и компании с подписочной моделью, где действуют договорные цены, правила допуска или утверждённый ассортимент.

Как работает: хост привязывает аккаунт и роль покупателя к сессии. Серверные инструменты возвращают только доступные этому аккаунту цены, товары и способы исполнения. Агент готовит коммерческое предложение или передачу заказа на закупку, не делая вид, будто здесь подходит потребительский процесс оформления заказа.

Почему окупается: сложный процесс с множеством правил становится короче, а права сохраняются. Модель объясняет выбор, но источником полномочий остаётся система аккаунтов.

6. Координатор корзины маркетплейса

Для кого: маркетплейс, где один запрос могут выполнить несколько продавцов.

Как работает: продавец становится одним из параметров поиска. Агент сравнивает предложения, группирует строки корзины по продавцам, а хост при необходимости показывает отдельную ссылку на оформление для каждого.

Почему окупается: разрозненная покупка превращается в единый диалог планирования, но коммерческая реальность не скрывается: платежи и исполнение остаются у разных продавцов.

7. ИИ-помощник по остаткам и промоакциям

Для кого: команды мерчандайзинга, которые управляют продажами, остатками, ценами и кампаниями для множества SKU.

Как работает: агент продавца читает показатели и предупреждения об остатках, предлагает пополнение или акцию, подготавливает изменение и ждёт подтверждения в настоящем операторском интерфейсе, прежде чем что-либо применить.

Почему окупается: анализ и подготовка занимают меньше времени, при этом действующие механизмы двойного контроля сохраняются. Полномочия по ценам, бюджету и опубликованным карточкам остаются у человека.

Три продукта, которые стоит создать

1. Отраслевой стартовый комплект покупательского агента

Создайте готовый к продакшену пакет для одной категории со сложным выбором — например, туристического снаряжения, мебели или косметики — и предложите его магазинам, которым уже недостаточно универсального чат-виджета.

Ориентиры по ценам уже есть. Тарифы покупательского ассистента Brambles стоят от $29 до $499 в месяц и включают от 10,000 до 500,000 сессий. Rye берёт $149 в месяц за инфраструктуру агентной коммерции, а затем $0.02 за получение товара и $0.05 за оформленный заказ. Эти цифры показывают и готовность продавцов платить по подписке, и стоимость инфраструктуры по факту использования.

Минимальная продаваемая версия поддерживает одну коммерческую платформу и одну категорию. Она сопоставляет семейства и варианты, привязывает гостевые и авторизованные сессии, реализует поиск и подробные данные о товаре, собирает корзину, передаёт пользователя на страницу оформления, размещённую платформой, потоково показывает два или три типизированных UI-компонента, а также включает отраслевой набор evals и маршрут к оператору.

Главный риск — ценовое давление. Платформы и дешёвые ассистенты из магазинов приложений справляются с типовыми вопросами о товарах. Защищаемое преимущество должно строиться на отраслевой логике, надёжном отображении каталога, атрибуции конверсий и сценариях, собранных из реальных сбоев этой вертикали.

Это самая сильная возможность. Она ближе всего к выручке продавца, а готовый каркас снимает достаточно типовой работы, чтобы небольшая команда сосредоточилась на специфике категории, за которую действительно готовы платить.

2. Проверка готовности каталога и вариантов для агентов

Создайте сервис, который ещё до общения агента с покупателями проверяет, способен ли каталог безопасно отвечать на его запросы.

Вокруг этой задачи уже существует значительная инфраструктура. По данным Channel3, её продуктовый слой охватывает 100 миллионов товаров у 25,000 ритейлеров и отвечает менее чем за секунду. Rye берёт $0.02 за запрос данных об одном товаре. Google оценивает AI Commerce Search в $2.50 за 1,000 запросов. Структурированный и актуальный поиск уже стал отдельной статьёй бюджета.

MVP импортирует один фид, строит связи между семействами и вариантами, проверяет обязательные атрибуты, сравнивает время обновления цен и остатков, прогоняет библиотеку реальных покупательских ограничений и показывает пропущенные или противоречивые ответы по SKU. Добавьте тест воспроизведения, подтверждающий, что один и тот же запрос никогда не приводит к отсутствующему варианту в корзине без явно заданного пути восстановления.

Главный риск — влияние платформ. Shopify и другие коммерческие платформы владеют авторитетными фидами каталогов и могут встроить базовую валидацию. Продукту нужны кроссплатформенная нормализация, приоритизация проблем по потерянным покупательским задачам и доказательства того, что исправления сокращают число плохих рекомендаций.

3. Специализированные evals и шлюз релиза для e-commerce

Создайте тестовый слой, который решает, можно ли безопасно выпускать изменение промпта, модели, инструмента или каталога.

Бюджеты на оценку агентов уже сформировались. Langfuse сообщает, что её платформой пользуются более 50,000 компаний; продакшен-тарифы стоят $29 и $199 в месяц, а Enterprise начинается с $2,499. Anthropic рекомендует от 50 до 100 eval-сценариев для каждого коммерческого процесса. Рынку нужен не ещё один просмотрщик трассировок, а поддерживаемая библиотека коммерческих состояний, каталожных фикстур с вредоносными вставками, инвариантов корзины и политик релиза.

MVP импортирует диалоги, превращает инциденты в сценарии-снимки и поставляет детерминированные проверки происхождения товаров, корректности цены, выбора варианта, лимитов количества, границ оформления, утечек идентификационных данных, восстановления после тайм-аутов и качества передачи оператору. Модели и промпты нужно сравнивать по выполнению задач, задержке p99 и стоимости завершённой задачи.

Главный риск — переполненный горизонтальный рынок. Защитой должны стать специализированные для коммерции фикстуры, точность проверок, коннекторы платформ и данные бенчмарков. Обычную наблюдаемость быстро скопируют или включат в пакет.

Чего Claude Commerce Agents не решает

Если оценивать трезво, этот каркас лучше решает структуру агента, чем интеграцию с магазином. Это серьёзная отправная точка, но не готовый облачный продукт для покупок.

• Он не аутентифицирует покупателей и не авторизует сотрудников. За это отвечают хост и шлюз.
• Он не исправляет плохие данные каталога, ранжирование или задержки обновления остатков. Ответственность остаётся у коммерческих систем.
• Он не оформляет заказы, не хранит платёжные данные, не списывает деньги с карт и не определяет антифрод-политику.
• Он не выбирает правила передачи оператору, очереди сервиса или роли подтверждения.
• Он не гарантирует, что заявленный Anthropic рост конверсии повторится для любого каталога. Нужны собственные контролируемые измерения.
• Он не отменяет решений о приватности памяти. Для сохранённых предпочтений необходимо определить допустимые типы данных, срок хранения, доступ, исправление и удаление.

Не стоит внедрять такую систему в крошечном каталоге, где фильтры и так приводят к покупке одним нажатием. Не запускайте её при неактуальных ценах и остатках. Не давайте права на запись только потому, что промпт выглядит осторожным. Агент оправдывает своё место, когда разговор действительно помогает решить сложную покупательскую задачу, а системы предоставляют свежие факты с корректными правами доступа.

Что сделать в понедельник

На следующей неделе выберите один процесс, влияющий на выручку. Возьмите 50 реальных примеров из поиска по сайту, чатов продаж и обращений в поддержку. Сначала подключите только поиск по каталогу и подробные сведения о товарах, а все остальные инструменты пусть отвечают, что они недоступны. Измерьте, выбирает ли агент подтверждённые варианты в наличии и принимают ли покупатели рекомендацию. Добавляйте корзину и оформление лишь после того, как путь чтения пройдёт свои тесты. Такая последовательность превращает Claude Commerce Agents из эффектного демо в контролируемый коммерческий релиз.

Как работает ИИ-ассистент для покупок?

Один агент Claude ведёт разговор и вызывает типизированные инструменты для поиска по каталогу, просмотра товаров, работы с корзиной, правилами, заказами, памятью и представлением данных. Серверная часть аутентифицирует покупателя, применяет правила цен и остатков и возвращает структурированные факты. Модель рассуждает на их основе, но не становится источником истины.

Как подключить каталог товаров?

Свяжите серверную часть витрины из готового каркаса с существующими службами поиска и товаров. Поиск должен возвращать уже ранжированные семейства, сведения о товаре — точные доступные для покупки варианты, а цены и наличие нужно брать из систем — источников истины. Учётные данные и личность покупателя остаются на сервере.

Как устроены права пользователей в Sidekick?

Для собственного покупательского агента или агента продавца заимствуйте основной принцип, а не реализацию продукта Sidekick. Определяйте пользователя и его роль до хода агента, открывайте только разрешённые инструменты, храните учётные данные на сервере, повторно проверяйте авторизацию в каждом серверном методе и требуйте настоящее подтверждение в хост-приложении для чувствительных операций продавца.

Можно ли собрать такого агента самостоятельно на Claude?

Да. В открытом репозитории есть запускаемые примеры и плагин Claude Code, который помогает создать каркас для вашей серверной части. Но самостоятельная разработка всё равно потребует значительной работы: аутентификации, отображения каталога, актуальных остатков, интеграции корзины и оформления, прав доступа, передачи оператору, мониторинга и evals.

Если нужен такой агент, адаптированный под ваш каталог и рабочие правила, посмотрите услугу разработки ИИ-агентов.