Por Canuto  

Anthropic presentó un blueprint de código abierto para construir agentes de compras y comerciantes capaces de operar en retail, viajes, telecomunicaciones y entretenimiento, con herramientas tipadas, controles de aprobación y despliegue en varias plataformas de nube.
***

  • El repositorio commerce-agents se distribuye bajo la licencia Apache 2.0 e incluye dos agentes y cuatro verticales ejecutables.
  • Anthropic defiende un solo bucle de agente con habilidades frente a los routers de intención y los subagentes por dominio.
  • El diseño incorpora herramientas para renderizar interfaces, caché de prompts y controles de código sobre dinero, escrituras e identificadores.

Anthropic presentó una base de código para que las empresas construyan agentes de compras y comerciantes sin rehacer desde cero la infraestructura de orquestación, herramientas y evaluación.

La propuesta, denominada Claude Commerce Agents, reúne un agente orientado al consumidor y otro destinado al personal de las tiendas, además de ejemplos ejecutables para retail, viajes, telecomunicaciones y entretenimiento. MarkTechPost reportó que el repositorio anthropics/commerce-agents se distribuye bajo la licencia Apache 2.0, una condición que permite estudiar, modificar y reutilizar el blueprint con las obligaciones propias de esa licencia.

El proyecto puede ejecutarse localmente con Python 3.11 o una versión posterior, Node 22 y una clave denominada ANTHROPIC_API_KEY. Sus runtimes aceptan distintos clientes y plataformas compatibles, por lo que el mismo código puede conectarse con la API de Claude, Amazon Bedrock, Microsoft Foundry o Google Cloud Vertex AI, según la infraestructura elegida por cada compañía.

Dos agentes para una misma operación comercial

El agente de compras está pensado para vivir dentro de la aplicación de un comerciante y acompañar al usuario durante una conversación continua. Puede buscar productos en el catálogo, atender solicitudes con varios artículos, comparar alternativas, armar un carrito y responder consultas relacionadas con pedidos y devoluciones sin obligar al cliente a cambiar de interfaz.

Anthropic organiza ese agente en cinco habilidades: búsqueda y descubrimiento, investigación de compras, planificación de objetivos, atención al cliente y memoria con personalización. Para conectarlo con sistemas reales, cada despliegue debe implementar un StorefrontBackend que exponga las funciones necesarias de catálogo, carrito, pedidos y políticas comerciales.

El segundo componente está dirigido a los comerciantes y al personal que administra una tienda, no a los compradores finales. Sus capacidades abarcan análisis del rendimiento de ventas, alertas de inventario, recomendaciones sobre precios y promociones, además de borradores para campañas de marketing.

Estas funciones se agrupan en cinco habilidades adicionales: análisis de rendimiento, publicaciones de catálogo, operaciones de inventario, precios y promociones, y campañas de marketing. El acceso a los datos y procesos internos depende de un MerchantBackend, una capa que debe adaptar el blueprint a los sistemas empresariales de cada organización.

Una arquitectura basada en habilidades

La decisión arquitectónica central consiste en mantener un solo agente con habilidades cargadas según las necesidades de la conversación. Anthropic cuestiona tanto el uso de un router de intenciones como la separación rígida en subagentes por dominio, porque una sesión comercial suele mezclar productos, pagos, pedidos, preferencias y políticas de devolución.

Desde esa perspectiva, dividir la conversación entre varios agentes puede provocar pérdida de estado y aumentar el consumo de tokens y la latencia. El orquestador conserva el carrito, las preferencias y el historial, mientras una habilidad incorpora las instrucciones específicas sin transferir el contexto a otro proceso.

La compañía también señala que los dominios comerciales se superponen de manera natural, especialmente cuando una devolución requiere consultar al mismo tiempo el historial de pedidos, el catálogo y el carrito. En varios despliegues empresariales mencionados por Anthropic, un agente con habilidades superó en calidad a un gran prompt único y a una arquitectura de subagentes, con menor costo y latencia en numerosos casos.

El diseño no elimina por completo los subagentes, que todavía pueden resultar útiles en tareas estrechas y autocontenidas, como una investigación profunda. La separación entre el prompt del sistema y las habilidades se define por la frecuencia de uso: las reglas de seguridad, las restricciones de marca y los datos esenciales del usuario permanecen en el prompt, mientras el resto se distribuye en habilidades.

Interfaces, latencia y control operativo

El blueprint trata los componentes de interfaz como herramientas, una decisión importante para las aplicaciones que deben mostrar tarjetas de productos, itinerarios o comparaciones de planes. En lugar de pedir al modelo que genere etiquetas personalizadas, el sistema usa llamadas como present_products, present_itinerary y present_plan_comparison, cuyos argumentos tipados valida el servidor antes de que el cliente los renderice.

Ese mecanismo mantiene las llamadas dentro del historial nativo de mensajes y evita depender de un analizador personalizado cada vez que la conversación se recarga. También permite que el agente interprete referencias como “el primer hotel” a partir de la última presentación, porque la información estructurada continúa disponible en el contexto de la sesión.

La transmisión de respuestas busca reducir la espera que percibe el usuario cuando el agente debe generar una interfaz completa. Anthropic estima que una respuesta renderizada puede producir entre 500 y 700 tokens, un volumen que sin streaming puede traducirse en aproximadamente cinco segundos de espera visual, por lo que el sistema transmite los componentes conforme se forman y muestra líneas de progreso en lenguaje natural.

El despacho ansioso de herramientas ejecuta cada llamada cuando sus argumentos terminan de transmitirse, en vez de esperar a que finalice toda la respuesta. Según los datos compartidos por Anthropic, esa configuración, que viene activada por defecto en el Agent SDK, puede reducir pausas de varios segundos a intervalos de unos cientos de milisegundos, aunque el resultado final dependerá de la infraestructura y de las herramientas conectadas.

Caché, memoria y despliegue

El almacenamiento en caché de prompts aparece como una de las principales palancas para controlar costos en sesiones comerciales repetitivas. El blueprint ordena las solicitudes desde la información global hasta la sesión y, al final, los datos volátiles, porque el mecanismo de caché depende de prefijos y una marca de tiempo colocada al inicio del prompt del sistema puede invalidar el contenido en cada solicitud.

Las lecturas desde la caché tienen un costo equivalente a una décima parte de los tokens frescos, mientras que las escrituras incorporan una prima cercana a 1,25 veces. Anthropic afirma que los despliegues con mejor desempeño alcanzan tasas de acierto de entre 90% y 99%, una métrica que puede influir de forma directa en la economía de agentes con grandes volúmenes de conversaciones.

La extracción de memoria se ejecuta de forma asíncrona, en un proceso separado del turno principal de conversación. En sus mediciones, Anthropic registró 13% más de recuperación de datos frente a una herramienta de guardado ejecutada dentro del mismo turno, aunque esa cifra corresponde a sus propias pruebas y no constituye una garantía universal para todos los despliegues.

El repositorio ofrece tres vías de ejecución: la API de Messages, el Claude Agent SDK y Claude Managed Agents, que figura como una función beta. Una definición única de prompts, habilidades, contratos de herramientas y compuertas permite trasladar el agente entre esas opciones, mientras el plugin commerce-builder de Claude Code puede crear la estructura de un nuevo agente con /scaffold-commerce-agent o revisar uno existente mediante /review-commerce-agent.

La propuesta de seguridad para operaciones sensibles

El blueprint separa las capacidades de razonamiento del modelo de las acciones que modifican sistemas comerciales. El modelo puede proponer productos, precios, campañas o pasos de una compra, pero el harness aplica en código las operaciones relacionadas con dinero, escrituras e identificadores, una división destinada a reducir el riesgo de que una respuesta textual produzca por sí sola un cambio irreversible.

Las compuertas de aprobación cumplen una función similar en los flujos que requieren autorización antes de continuar. En un entorno de comercio, esa capa puede resultar decisiva para distinguir entre recomendar una promoción y activarla, o entre preparar un carrito y confirmar una transacción, aunque la implementación concreta queda en manos de la empresa que conecte sus sistemas.

La estructura también intenta resolver un problema práctico de los agentes empresariales: convertir respuestas del modelo en elementos que la aplicación pueda validar y mostrar de forma consistente. Al exigir contratos de herramientas y argumentos tipados, el sistema establece un límite más claro entre la generación probabilística del modelo y las reglas deterministas del software comercial.

El lanzamiento representa una invitación a experimentar con agentes que operan sobre procesos de venta, servicio y administración, pero no equivale a un producto listo para instalar sin adaptación. Cada compañía deberá construir sus backends, definir permisos, revisar políticas y evaluar el desempeño con sus propios catálogos, inventarios, clientes y requisitos de cumplimiento.

El análisis técnico A guide to the anatomy of effective commerce agents y el anuncio de producto de Anthropic describen la lógica detrás del proyecto, mientras el repositorio concentra el código de referencia y las demostraciones muestran sus aplicaciones. La apuesta combina apertura de infraestructura, interfaces estructuradas y control programático, tres elementos que podrían acelerar la adopción de agentes comerciales sin convertir al modelo en la autoridad final sobre las operaciones.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados