Agentic Commerce چیست؟ آینده خرید با ایجنت هوش مصنوعی

خرید اینترنتی معمولاً با جست‌وجوی نام محصول آغاز می‌شود. کاربر چند صفحه را باز می‌کند، فیلترها را تغییر می‌دهد، مشخصات محصولات را می‌خواند، قیمت‌ها را مقایسه می‌کند و در نهایت یکی از گزینه‌ها را به سبد خرید اضافه می‌کند.

Agentic Commerce یا «تجارت مبتنی بر ایجنت» تلاش می‌کند بخش بزرگی از این مسیر را به یک ایجنت هوش مصنوعی بسپارد.

در این روش، کاربر به‌جای جست‌وجوی جداگانه میان صدها کالا، نیاز خود را با زبان طبیعی توضیح می‌دهد:

یک لپ‌تاپ سبک برای برنامه‌نویسی و جلسات کاری می‌خواهم. صفحه‌نمایش آن حداقل ۱۴ اینچ باشد، شارژدهی خوبی داشته باشد و از بودجه من بیشتر نشود.

ایجنت می‌تواند درخواست را تحلیل کند، محدودیت‌ها را استخراج کند، کاتالوگ فروشگاه را جست‌وجو کند، گزینه‌های مناسب را مقایسه کند و نتیجه را در قالبی قابل‌فهم نمایش دهد.

در مراحل پیشرفته‌تر، ایجنت می‌تواند:

• موجودی و قیمت فعلی را بررسی کند
• تفاوت محصولات را توضیح دهد
• گزینه‌های نامتناسب را حذف کند
• محصول جایگزین پیشنهاد دهد
• کالا را به سبد خرید اضافه کند
• اطلاعات ارسال را از سامانه فروشگاه دریافت کند
• فرایند خرید را با تأیید کاربر پیش ببرد
• وضعیت سفارش را پیگیری کند

این تغییر می‌تواند رابط فروشگاه اینترنتی را از «صفحه جست‌وجو و فیلتر» به «گفت‌وگو و انجام کار» تبدیل کند.

پاسخ کوتاه: Agentic Commerce چیست؟

Agentic Commerce مدلی از تجارت دیجیتال است که در آن یک ایجنت هوش مصنوعی می‌تواند به نمایندگی از کاربر، بخشی از فرایند کشف محصول، مقایسه، انتخاب، ساخت سبد و خرید را انجام دهد.

تفاوت اصلی آن با یک چت‌بات فروشگاهی این است که چت‌بات معمولاً فقط پاسخ می‌دهد، اما ایجنت می‌تواند از ابزارها و APIهای فروشگاه استفاده کند.

برای مثال، ایجنت می‌تواند این توابع را فراخوانی کند:

search_products
get_product_details
check_inventory
compare_products
create_cart
add_to_cart
get_shipping_options
get_order_status

مدل هوش مصنوعی درباره زمان استفاده از ابزار تصمیم می‌گیرد، اما اطلاعاتی مانند قیمت، موجودی، هزینه ارسال و وضعیت سفارش باید از سامانه واقعی فروشگاه دریافت شوند.

چرا خرید اینترنتی در حال حرکت به سمت ایجنت‌هاست؟

فروشگاه‌های اینترنتی حجم زیادی از اطلاعات را در اختیار کاربران قرار می‌دهند، اما دسترسی به این اطلاعات همیشه ساده نیست.

کاربر ممکن است نداند:

• چه عبارتی را جست‌وجو کند
• کدام فیلترها مهم‌ترند
• تفاوت فنی دو محصول چیست
• کدام ویژگی برای نیاز او اهمیت دارد
• چه محصول جایگزینی در همان محدوده قیمت وجود دارد
• آیا اختلاف قیمت یک گزینه ارزش پرداخت دارد یا نه

جست‌وجوی سنتی زمانی بهترین نتیجه را می‌دهد که کاربر نام یا مشخصات دقیق محصول را بداند. ایجنت خرید برای زمانی مفید است که کاربر هدف خود را می‌داند، اما هنوز محصول دقیق را انتخاب نکرده است.

برای مثال:

برای یک اتاق ۲۰ متری دستگاه تصفیه هوای کم‌صدا می‌خواهم که فیلتر آن در بازار ایران پیدا شود.

این درخواست فقط شامل نام محصول نیست؛ اندازه فضا، میزان صدا و دسترسی به قطعات مصرفی نیز در تصمیم اثر دارند. ایجنت باید این نیازها را به فیلترهای قابل‌جست‌وجو تبدیل کند.

تفاوت Agentic Commerce با فروشگاه اینترنتی معمولی

Agentic Commerce جای فروشگاه اینترنتی را نمی‌گیرد. این فناوری یک لایه تعاملی جدید روی کاتالوگ، موجودی، سبد خرید و سامانه سفارش فروشگاه ایجاد می‌کند.

تفاوت ایجنت خرید با چت‌بات فروشگاهی

یک چت‌بات ساده ممکن است با متن ثابت یا پایگاه دانش به سؤال‌ها پاسخ دهد:

هزینه ارسال چقدر است؟

اما یک ایجنت خرید می‌تواند اطلاعات سفارش یا سبد را از API دریافت کند:

برای این سه کالا و آدرس انتخاب‌شده چه روش‌های ارسالی وجود دارد؟

تفاوت اصلی در امکان اقدام است.

چت‌بات فروشگاهی

• پاسخ‌گویی به پرسش‌های متداول
• توضیح شرایط ارسال
• معرفی دسته‌بندی‌ها
• پاسخ براساس مستندات
• هدایت کاربر به صفحه مناسب

ایجنت خرید

• جست‌وجوی کاتالوگ
• دریافت مشخصات واقعی کالا
• مقایسه چند محصول
• بررسی موجودی
• ایجاد یا به‌روزرسانی سبد
• دریافت روش‌های ارسال
• پیگیری وضعیت سفارش
• اجرای فرایند چندمرحله‌ای

هر ایجنت خرید می‌تواند قابلیت گفت‌وگو داشته باشد، اما هر چت‌بات فروشگاهی یک ایجنت خرید نیست.

تفاوت Agentic Commerce با سیستم پیشنهاد محصول

سیستم پیشنهاد محصول معمولاً گزینه‌ها را براساس داده‌هایی مانند دسته‌بندی، شباهت کالا، محصولات پرفروش یا الگوهای خرید پیشنهاد می‌دهد.

ایجنت خرید علاوه بر پیشنهاد، می‌تواند درباره نیاز فعلی کاربر گفت‌وگو کند.

برای مثال، سیستم پیشنهاد ممکن است چند گوشی پرفروش را نمایش دهد. ایجنت ابتدا می‌پرسد:

• بودجه شما چقدر است؟
• دوربین مهم‌تر است یا شارژدهی؟
• گوشی را برای بازی می‌خواهید یا استفاده روزمره؟
• اندازه صفحه‌نمایش برایتان اهمیت دارد؟
• برند خاصی مدنظر دارید؟

سپس پاسخ‌ها را به جست‌وجوی ساختاریافته تبدیل می‌کند.

بهترین معماری می‌تواند هر دو را ترکیب کند: موتور پیشنهاد گزینه‌های اولیه را پیدا می‌کند و مدل زبانی آن‌ها را براساس نیاز کاربر توضیح و مرتب می‌کند.

مسیر خرید در Agentic Commerce

یک مسیر کامل خرید مبتنی بر ایجنت می‌تواند شامل مراحل زیر باشد.

۱. درک نیاز

کاربر درخواست خود را به زبان طبیعی بیان می‌کند:

برای دفتر کوچکمان یک پرینتر چندکاره می‌خواهیم که هزینه مواد مصرفی آن مناسب باشد.

مدل باید موارد زیر را استخراج کند:

• نوع محصول: پرینتر چندکاره
• محل استفاده: دفتر کوچک
• معیار اصلی: هزینه مواد مصرفی
• معیار احتمالی: حجم چاپ
• اطلاعات ناقص: بودجه و نیاز به چاپ رنگی

۲. پرسیدن سؤال تکمیلی

اگر اطلاعات برای جست‌وجوی مناسب کافی نباشد، ایجنت سؤال کوتاهی مطرح می‌کند:

چاپ رنگی نیاز دارید؟ حدود بودجه و تعداد صفحات چاپ ماهانه چقدر است؟

۳. جست‌وجوی محصول

ایجنت تابع جست‌وجوی فروشگاه را با فیلترهای استخراج‌شده فراخوانی می‌کند.

۴. دریافت اطلاعات واقعی

قیمت، موجودی، ویژگی‌ها و گزینه‌های ارسال از API فروشگاه دریافت می‌شوند.

۵. مقایسه

مدل تفاوت گزینه‌ها را براساس معیارهای کاربر توضیح می‌دهد؛ نه فقط براساس تمام مشخصات موجود در صفحه محصول.

۶. انتخاب و ساخت سبد

پس از انتخاب کاربر، ایجنت می‌تواند کالا را به سبد اضافه کند.

۷. تأیید نهایی

نام کالا، تعداد، قیمت فعلی، هزینه‌های محاسبه‌شده و مبلغ نهایی به کاربر نمایش داده می‌شود و ادامه فرایند به تأیید او وابسته است.

۸. پیگیری سفارش

پس از ثبت سفارش، ایجنت می‌تواند وضعیت را از سامانه سفارش دریافت و به زبان ساده توضیح دهد.

معماری فنی ایجنت خرید هوش مصنوعی

یک ایجنت خرید فقط از مدل زبانی تشکیل نمی‌شود.

نمای ساده معماری:

درخواست کاربر
→ مدل هوش مصنوعی
→ انتخاب ابزار
→ API فروشگاه
→ دریافت داده واقعی
→ تحلیل مدل
→ نمایش محصول یا اقدام بعدی

API درواره می‌تواند لایه اتصال برنامه به مدل هوش مصنوعی باشد. کاتالوگ، موجودی، سبد، سفارش و قواعد فروش همچنان در سامانه فروشگاه مدیریت می‌شوند.

UCP چیست؟

UCP مخفف Universal Commerce Protocol و یک استاندارد باز برای ارتباط میان پلتفرم‌های هوش مصنوعی، ایجنت‌ها، کسب‌وکارها و سامانه‌های تجاری است.

گوگل این استاندارد را برای پشتیبانی از فرایندهای Agentic Commerce معرفی کرده است. براساس مستندات رسمی UCP گوگل، این پروتکل برای تبدیل تعامل‌های هوش مصنوعی به فرایندهای تجاری طراحی شده و در قابلیت‌های خرید مستقیم AI Mode جست‌وجوی گوگل و Gemini استفاده می‌شود.

UCP تلاش می‌کند نیاز به اتصال اختصاصی فروشگاه به هر ایجنت را کاهش دهد.

بدون استاندارد مشترک:

فروشگاه → اتصال اختصاصی به ایجنت اول
فروشگاه → اتصال اختصاصی به ایجنت دوم
فروشگاه → اتصال اختصاصی به پلتفرم سوم

با یک پروتکل مشترک:

فروشگاه
→ UCP
→ پلتفرم‌ها و ایجنت‌های سازگار

طبق معرفی فنی UCP در وبلاگ Google Developers، این استاندارد برای کار در کنار زیرساخت فعلی فروشگاه‌ها طراحی شده و در توسعه آن شرکت‌هایی مانند Shopify، Etsy، Wayfair، Target و Walmart مشارکت داشته‌اند.

UCP چه قابلیت‌هایی را استاندارد می‌کند؟

UCP می‌تواند اجزایی از این فرایندها را توصیف کند:

• شناسایی قابلیت‌های فروشگاه
• ساخت و مدیریت سبد
• دریافت گزینه‌های تحویل
• اعمال تخفیف
• شروع Checkout
• انتقال وضعیت سفارش
• پشتیبانی پس از خرید
• ارتباط میان پلتفرم، فروشگاه و سرویس‌های تجاری

مشخصات و منابع متن‌باز آن در وب‌سایت رسمی UCP منتشر شده‌اند.

ACP چیست؟

ACP مخفف Agentic Commerce Protocol و استاندارد بازی است که به فروشندگان اجازه می‌دهد اطلاعات ساختاریافته محصولات و جریان خرید خود را به تجربه‌های تجاری ChatGPT متصل کنند.

براساس مستندات رسمی OpenAI Developers، ACP به ChatGPT امکان می‌دهد داده کاتالوگ و موجودی فروشنده را دریافت کند و محصولات مرتبط را در زمینه مناسب نمایش دهد.

یکی از بخش‌های اصلی ACP، Product Feed است. این فید می‌تواند اطلاعاتی مانند موارد زیر را منتقل کند:

• شناسه محصول
• عنوان
• توضیحات
• تصویر
• قیمت
• موجودی
• تنوع محصول
• مشخصات
• اطلاعات ارسال
• آدرس صفحه محصول

طبق راهنمای شروع ACP، فید محصولات می‌تواند از طریق فایل یا API ارائه شود و به‌روزرسانی‌های محصول نیز از طریق API ارسال شوند.

ACP همچنین یک مشخصات Checkout دارد. در این ساختار، پلتفرم می‌تواند Session خرید را ایجاد یا به‌روزرسانی کند، اما فروشگاه همچنان وضعیت سبد، سفارش و پردازش خرید را در زیرساخت خود مدیریت می‌کند. جزئیات این فرایند در Agentic Checkout Spec ارائه شده است.

آیا فروشگاه ایرانی می‌تواند مستقیماً از ACP یا UCP استفاده کند؟

خود استانداردها و مستندات فنی قابل مطالعه‌اند، اما دسترسی عملی به قابلیت خرید مستقیم پلتفرم‌ها به برنامه پذیرش فروشندگان، کشورهای پشتیبانی‌شده و شرایط جاری هر سرویس وابسته است.

در زمان نگارش:

• مستندات OpenAI اعلام می‌کنند پذیرش Product Feed و Instant Checkout برای شرکای تأییدشده انجام می‌شود.
• صفحه UCP گوگل برای قابلیت خرید مستقیم، مسیر ثبت درخواست و فهرست انتظار دارد.
• نباید در دسترس بودن Checkout مستقیم این پلتفرم‌ها برای فروشگاه‌های ایرانی را قطعی فرض کرد.

راه عملی‌تر برای بازار ایران، ساخت ایجنت خرید داخل وب‌سایت یا اپلیکیشن خود فروشگاه است. در این معماری، مدل از طریق API درواره فراخوانی می‌شود و سبد خرید، پرداخت و سفارش از زیرساخت فعلی فروشگاه استفاده می‌کنند.

تفاوت UCP و ACP

این دو پروتکل نشان می‌دهند که کاتالوگ محصول باید برای ایجنت‌ها به‌شکل ساختاریافته و قابل‌به‌روزرسانی ارائه شود.

چگونه فروشگاه ایرانی را برای خرید با هوش مصنوعی آماده کنیم؟

حتی بدون اتصال مستقیم به UCP یا ACP، فروشگاه می‌تواند زیرساخت خود را برای ایجنت خرید آماده کند.

کاتالوگ ساختاریافته ایجاد کنید

اطلاعات هر محصول باید فیلدهای روشن داشته باشد:

{
  "id": "printer-2048",
  "title": "پرینتر چندکاره لیزری",
  "category": "printer",
  "price": 185000000,
  "currency": "IRR",
  "stock_status": "in_stock",
  "attributes": {
    "color_print": false,
    "duplex": true,
    "monthly_capacity": 10000
  }
}

قرار دادن تمام مشخصات در یک توضیح متنی طولانی، فیلتر و مقایسه محصولات را دشوار می‌کند.

API جست‌وجوی محصول بسازید

ایجنت نباید مستقیماً میان تمام رکوردهای پایگاه داده جست‌وجوی آزاد انجام دهد. یک API مشخص بسازید:

GET /api/products/search

پارامترهای احتمالی:

query
category
min_price
max_price
brand
attributes
sort
limit

قیمت و موجودی را از منبع فعلی بگیرید

مدل زبانی نباید قیمت یا موجودی را از حافظه خود اعلام کند. این اطلاعات باید هنگام هر درخواست از API فروشگاه دریافت شوند.

API سبد خرید تعریف کنید

عملیات سبد باید کوچک و مشخص باشند:

create_cart
get_cart
add_to_cart
update_quantity
remove_from_cart

خروجی مناسب رابط تولید کنید

پاسخ ایجنت فقط یک متن طولانی نباشد. برنامه می‌تواند خروجی را به کارت، جدول مقایسه یا دکمه افزودن به سبد تبدیل کند.

برای این کار، مدل می‌تواند یک پاسخ ساختاریافته تولید کند:

{
  "message": "سه گزینه متناسب با نیاز شما پیدا شد.",
  "display": "product_comparison",
  "products": [
    {
      "id": "printer-2048",
      "reason": "چاپ دورو و هزینه مصرفی مناسب"
    }
  ]
}

آموزش ساخت نمونه ایجنت خرید با API درواره

در این نمونه، یک ابزار جست‌وجوی محصول به مدل معرفی می‌کنیم. مدل درخواست فارسی کاربر را تحلیل و در صورت نیاز، ابزار را فراخوانی می‌کند.

نصب کتابخانه

pip install openai

تنظیم اتصال

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1"
)

شناسه مدل را از فهرست جاری مدل‌های درواره انتخاب کنید. مدل انتخابی باید از Tool Calling پشتیبانی کند.

تعریف کاتالوگ نمونه

PRODUCTS = [
    {
        "id": "laptop-101",
        "title": "لپ‌تاپ ۱۴ اینچی مدل A",
        "category": "laptop",
        "price": 480000000,
        "weight_kg": 1.35,
        "ram_gb": 16,
        "stock": 5
    },
    {
        "id": "laptop-102",
        "title": "لپ‌تاپ ۱۵ اینچی مدل B",
        "category": "laptop",
        "price": 430000000,
        "weight_kg": 1.75,
        "ram_gb": 16,
        "stock": 8
    },
    {
        "id": "laptop-103",
        "title": "لپ‌تاپ ۱۴ اینچی مدل C",
        "category": "laptop",
        "price": 520000000,
        "weight_kg": 1.25,
        "ram_gb": 32,
        "stock": 0
    }
]

در محصول واقعی، این اطلاعات باید از پایگاه داده، موتور جست‌وجو یا API فروشگاه دریافت شوند.

ساخت تابع جست‌وجو

def search_products(
    category: str,
    max_price: int | None = None,
    max_weight_kg: float | None = None,
    min_ram_gb: int | None = None
):
    results = []

    for product in PRODUCTS:
        if product["category"] != category:
            continue

        if product["stock"] <= 0:
            continue

        if max_price and product["price"] > max_price:
            continue

        if max_weight_kg and product["weight_kg"] > max_weight_kg:
            continue

        if min_ram_gb and product["ram_gb"] < min_ram_gb:
            continue

        results.append(product)

    return results[:5]

معرفی ابزار به مدل

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_products",
            "description": (
                "جست‌وجوی محصولات واقعی فروشگاه براساس "
                "دسته‌بندی، قیمت، وزن و مقدار RAM"
            ),
            "parameters": {
                "type": "object",
                "properties": {
                    "category": {
                        "type": "string",
                        "enum": ["laptop"]
                    },
                    "max_price": {
                        "type": ["integer", "null"]
                    },
                    "max_weight_kg": {
                        "type": ["number", "null"]
                    },
                    "min_ram_gb": {
                        "type": ["integer", "null"]
                    }
                },
                "required": [
                    "category",
                    "max_price",
                    "max_weight_kg",
                    "min_ram_gb"
                ],
                "additionalProperties": False
            }
        }
    }
]

ارسال درخواست کاربر

import json

messages = [
    {
        "role": "system",
        "content": """
شما دستیار خرید یک فروشگاه ایرانی هستید.

قواعد:
- فقط محصولاتی را پیشنهاد دهید که ابزار جست‌وجو برگردانده است.
- قیمت و موجودی را حدس نزنید.
- معیارهای کاربر را در پیشنهاد نهایی توضیح دهید.
- اگر اطلاعات مهمی مانند بودجه مشخص نیست، سؤال کوتاه بپرسید.
- حداکثر سه محصول پیشنهاد دهید.
- پاسخ را به زبان فارسی بنویسید.
"""
    },
    {
        "role": "user",
        "content": (
            "یک لپ‌تاپ سبک برای برنامه‌نویسی می‌خواهم. "
            "حداقل ۱۶ گیگ رم داشته باشد و قیمت آن "
            "بیشتر از ۵۰ میلیون تومان نباشد."
        )
    }
]

response = client.chat.completions.create(
    model=os.environ["DARVAREH_MODEL_ID"],
    messages=messages,
    tools=tools,
    tool_choice="auto"
)

assistant_message = response.choices[0].message
messages.append(assistant_message)

اجرای ابزار انتخاب‌شده

if assistant_message.tool_calls:
    for tool_call in assistant_message.tool_calls:
        if tool_call.function.name != "search_products":
            continue

        arguments = json.loads(
            tool_call.function.arguments
        )

        result = search_products(**arguments)

        messages.append({
            "role": "tool",
            "tool_call_id": tool_call.id,
            "content": json.dumps(
                result,
                ensure_ascii=False
            )
        })

دریافت پاسخ نهایی

final_response = client.chat.completions.create(
    model=os.environ["DARVAREH_MODEL_ID"],
    messages=messages,
    tools=tools
)

print(final_response.choices[0].message.content)

مدل ابتدا محدودیت‌های کاربر را به پارامترهای ابزار تبدیل می‌کند، سپس فقط براساس محصولات برگشتی توضیح می‌دهد کدام گزینه مناسب‌تر است.

این نمونه تنها مرحله کشف و مقایسه محصول را پیاده‌سازی می‌کند. در مرحله بعد می‌توان ابزارهای زیر را اضافه کرد:

get_product_details
compare_products
create_cart
add_to_cart
get_shipping_options
get_order_status

نمونه System Prompt برای ایجنت خرید فارسی

شما دستیار خرید فروشگاه هستید.

هدف:
کمک به کاربر برای یافتن محصول مناسب براساس نیاز واقعی او.

روش کار:
1. نیاز و محدودیت‌های کاربر را استخراج کنید.
2. اگر بودجه یا معیار ضروری مشخص نیست، فقط یک سؤال کوتاه بپرسید.
3. برای دریافت محصولات از ابزار جست‌وجو استفاده کنید.
4. فقط محصولات بازگردانده‌شده توسط ابزار را معرفی کنید.
5. تفاوت گزینه‌ها را براساس معیارهای خود کاربر توضیح دهید.
6. قیمت، موجودی، تخفیف و زمان ارسال را حدس نزنید.
7. حداکثر سه پیشنهاد ارائه دهید.
8. اگر هیچ گزینه مناسبی وجود ندارد، معیار قابل‌تغییر را توضیح دهید.
9. افزودن کالا به سبد فقط پس از انتخاب صریح کاربر انجام شود.
10. پاسخ‌ها کوتاه، روشن و به زبان فارسی باشند.

نقش Generative UI در Agentic Commerce

یک ایجنت خرید نباید تمام نتایج را فقط به‌صورت متن نمایش دهد.

براساس مرحله خرید، رابط می‌تواند تغییر کند:

این ترکیب، Agentic Commerce را به یکی از کاربردهای مهم Generative UI تبدیل می‌کند.

چه مدلی برای ایجنت خرید مناسب است؟

مدل مناسب باید در این قابلیت‌ها عملکرد قابل‌قبولی داشته باشد:

• درک درخواست فارسی
• استخراج محدودیت‌ها
• Tool Calling
• تولید خروجی ساختاریافته
• مقایسه چند گزینه
• پیروی دقیق از قواعد
• سرعت پاسخ مناسب
• هزینه متناسب با تعداد کاربران

در بسیاری از مراحل به قوی‌ترین مدل موجود نیاز ندارید. استخراج فیلتر یا دسته‌بندی درخواست را می‌توان با یک مدل سریع‌تر انجام داد و تحلیل پیچیده‌تر را به مدل توانمندتری سپرد.

با API سازگار با OpenAI درواره می‌توان مدل‌های مختلف را از طریق یک ساختار مشترک آزمایش کرد:

https://api.darvareh.ir/v1

پشتیبانی Tool Calling، Structured Outputs و ورودی چندوجهی باید برای Model ID انتخاب‌شده در کاتالوگ فعلی بررسی شود.

معیارهای ارزیابی ایجنت خرید

نرخ یافتن محصول مناسب

در چند درصد درخواست‌ها، حداقل یک محصول واقعاً متناسب پیدا می‌شود؟

دقت استخراج فیلتر

آیا مدل بودجه، دسته‌بندی، اندازه، رنگ و ویژگی‌های ضروری را درست استخراج می‌کند؟

صحت قیمت و موجودی

آیا تمام اعداد از API فروشگاه دریافت شده‌اند؟

نرخ سؤال تکمیلی

مدل نباید برای هر درخواست چندین سؤال غیرضروری بپرسد، اما نباید با اطلاعات ناقص نیز پیشنهاد نامرتبط بدهد.

نرخ افزودن به سبد

چه تعداد از گفت‌وگوها به انتخاب محصول و افزودن آن به سبد منجر می‌شوند؟

نرخ تکمیل خرید

آیا کاربران پس از استفاده از ایجنت، فرایند خرید را کامل می‌کنند؟

زمان رسیدن به انتخاب

کاربر با چند پیام و در چه مدت به گزینه مناسب می‌رسد؟

رضایت از پیشنهاد

می‌توان پس از نمایش نتیجه، بازخورد ساده دریافت کرد:

آیا این پیشنهادها برای شما مناسب بودند؟
بله / تا حدی / خیر

اشتباهات رایج در ساخت ایجنت خرید

ارسال تمام کاتالوگ به مدل

ارسال هزاران محصول داخل Prompt پرهزینه و ناکارآمد است. ابتدا با موتور جست‌وجو تعداد محدودی گزینه مرتبط پیدا کنید.

سپردن جست‌وجو به حافظه مدل

مدل از قیمت و موجودی لحظه‌ای فروشگاه اطلاع ندارد. اطلاعات تجاری باید از API دریافت شوند.

ابزارهای بسیار عمومی

به‌جای یک ابزار مبهم مانند run_store_action، توابع کوچک و مشخص تعریف کنید:

search_products
get_product
add_to_cart
get_order_status

مقایسه تمام مشخصات

کاربر معمولاً به چند معیار اصلی اهمیت می‌دهد. جدول طولانی شامل همه ویژگی‌های فنی می‌تواند انتخاب را دشوارتر کند.

افزودن خودکار کالا به سبد

مدل ابتدا باید پیشنهاد را توضیح دهد و انتخاب نهایی را از کاربر دریافت کند.

نداشتن نتیجه جایگزین

اگر محصول دقیق موجود نیست، ایجنت باید نزدیک‌ترین گزینه یا معیار قابل‌تغییر را توضیح دهد.

ارزیابی فقط با چند سؤال نمونه

درخواست‌های واقعی کاربران کوتاه، مبهم، محاوره‌ای و گاهی دارای چند معیار متناقض‌اند. ارزیابی باید این تنوع را پوشش دهد.

نقشه راه اجرای Agentic Commerce در فروشگاه

مرحله اول: دستیار کشف محصول

• درک درخواست فارسی
• جست‌وجوی کاتالوگ
• پیشنهاد حداکثر سه محصول
• لینک به صفحات واقعی

مرحله دوم: مقایسه هوشمند

• انتخاب معیارهای مرتبط
• جدول مقایسه
• توضیح مزیت هر گزینه
• پیشنهاد جایگزین

مرحله سوم: اتصال به سبد

• ایجاد سبد
• افزودن محصول
• تغییر تعداد
• نمایش خلاصه سبد

مرحله چهارم: اتصال به سفارش

• دریافت گزینه‌های ارسال
• انتقال کاربر به جریان پرداخت فعلی
• دریافت شماره سفارش
• پیگیری وضعیت

مرحله پنجم: رابط مولد

• کارت محصول
• جدول مقایسه
• فرم انتخاب ویژگی
• تایم‌لاین سفارش
• پیشنهاد اقدام بعدی

مرحله ششم: بهبود مبتنی بر داده

• ثبت درخواست‌های بی‌نتیجه
• اصلاح اطلاعات محصولات
• توسعه فیلترها
• ارزیابی مدل‌های مختلف
• بهبود Prompt و Toolها

Agentic Commerce چه تأثیری بر سئوی فروشگاه دارد؟

با گسترش خرید مبتنی بر ایجنت، اطلاعات محصول باید هم برای موتور جست‌وجو و هم برای سامانه‌های هوش مصنوعی قابل‌فهم باشند.

اقدامات مهم عبارت‌اند از:

• عنوان دقیق و غیرمبهم محصول
• دسته‌بندی درست
• مشخصات ساختاریافته
• شناسه ثابت کالا
• قیمت و موجودی به‌روز
• تصویر مناسب
• توضیح تفاوت مدل‌ها
• ثبت تنوع رنگ، اندازه و ظرفیت
• نشانی پایدار صفحه محصول
• API یا Feed قابل‌به‌روزرسانی

عبارت‌های تبلیغاتی مبهم مانند «بهترین محصول بازار» برای ایجنت ارزش کمتری از ویژگی‌های دقیق و قابل‌مقایسه دارند.

هدف این نیست که برای ایجنت متن مصنوعی تولید کنید؛ هدف، ارائه اطلاعات واقعی، کامل و ساختاریافته است.

نقش API درواره در Agentic Commerce

درواره جایگزین کاتالوگ، موتور جست‌وجو، سبد خرید یا درگاه پرداخت فروشگاه نیست. در این معماری، درواره لایه دسترسی به مدل‌های هوش مصنوعی را فراهم می‌کند.

معماری پیشنهادی:

سایت یا اپلیکیشن فروشگاه
→ Backend فروشگاه
→ API درواره
→ مدل هوش مصنوعی
→ Tool Call
→ API محصول، سبد یا سفارش
→ پاسخ ساختاریافته
→ رابط کاربر

مزایای استفاده از درواره برای این کاربرد عبارت‌اند از:

• API سازگار با OpenAI
• استفاده از یک کلید API
• امکان آزمایش مدل‌های مختلف
• پرداخت ریالی
• انتخاب مدل متناسب با کیفیت و هزینه
• کاهش تغییرات لازم برای جابه‌جایی مدل

برای شروع، می‌توان تنها قابلیت جست‌وجو و مقایسه محصول را پیاده‌سازی کرد. پس از ارزیابی کیفیت، ابزارهای سبد و سفارش به‌تدریج اضافه شوند.

پرسش‌های متداول

Agentic Commerce چیست؟

Agentic Commerce نوعی تجارت دیجیتال است که در آن ایجنت هوش مصنوعی می‌تواند نیاز کاربر را درک کند و با استفاده از APIها در کشف محصول، مقایسه، انتخاب، ساخت سبد و پیگیری سفارش کمک کند.

خرید با هوش مصنوعی چگونه انجام می‌شود؟

کاربر نیاز خود را با زبان طبیعی بیان می‌کند. مدل محدودیت‌ها را استخراج می‌کند، کاتالوگ فروشگاه را از طریق ابزار جست‌وجو بررسی می‌کند و گزینه‌های مناسب را نمایش می‌دهد.

تفاوت ایجنت خرید و چت‌بات چیست؟

چت‌بات معمولاً پاسخ متنی می‌دهد. ایجنت خرید می‌تواند ابزارهایی مانند جست‌وجوی محصول، بررسی موجودی، افزودن به سبد و پیگیری سفارش را فراخوانی کند.

آیا ایجنت می‌تواند قیمت محصول را تعیین کند؟

خیر. قیمت باید از سامانه قیمت‌گذاری فروشگاه دریافت شود. مدل فقط می‌تواند قیمت‌های دریافت‌شده را مقایسه یا توضیح دهد.

UCP چیست؟

UCP یک استاندارد باز برای ارتباط میان ایجنت‌ها، پلتفرم‌های هوش مصنوعی و سامانه‌های تجاری است که بخش‌هایی از مسیر کشف محصول تا خرید و خدمات پس از آن را پوشش می‌دهد.

ACP چیست؟

ACP استاندارد Agentic Commerce مورد استفاده OpenAI برای اتصال کاتالوگ و جریان خرید فروشندگان به تجربه‌های تجاری ChatGPT است.

آیا ACP و UCP در ایران قابل استفاده‌اند؟

مستندات و مشخصات فنی آن‌ها قابل دسترسی است، اما استفاده از قابلیت Checkout پلتفرم‌های مربوطه به کشورهای پشتیبانی‌شده و پذیرش فروشنده وابسته است. فروشگاه ایرانی می‌تواند معماری مشابهی را داخل سایت خود و با API درواره پیاده‌سازی کند.

آیا برای ساخت ایجنت خرید به فروشگاه جدید نیاز داریم؟

خیر. می‌توان ایجنت را به کاتالوگ، موجودی، سبد خرید و سامانه سفارش موجود متصل کرد.

آیا ایجنت خرید به RAG نیاز دارد؟

برای جست‌وجوی توضیحات طولانی، راهنمای خرید یا مستندات محصولات، RAG می‌تواند مفید باشد. قیمت، موجودی و اطلاعات ساختاریافته بهتر است مستقیماً از API یا پایگاه داده دریافت شوند.

بهترین مدل برای دستیار خرید فارسی چیست؟

مدلی مناسب است که زبان فارسی، Tool Calling، خروجی ساختاریافته و پیروی از دستور را به‌خوبی پشتیبانی کند. انتخاب نهایی باید با داده‌های واقعی فروشگاه انجام شود.

چگونه ایجنت خرید را به API درواره متصل کنیم؟

در SDK سازگار با OpenAI، Base URL را روی آدرس زیر قرار دهید و Model ID مناسب را از کاتالوگ جاری انتخاب کنید:

https://api.darvareh.ir/v1

جمع‌بندی

Agentic Commerce مسیر خرید اینترنتی را از جست‌وجو میان صفحه‌ها به گفت‌وگو با یک ایجنت هوش مصنوعی تبدیل می‌کند.

کاربر نیاز خود را توضیح می‌دهد و ایجنت می‌تواند:

• معیارها را استخراج کند
• محصولات را جست‌وجو کند
• گزینه‌ها را مقایسه کند
• اطلاعات واقعی را از API فروشگاه بگیرد
• کالا را با تأیید کاربر به سبد اضافه کند
• وضعیت سفارش را توضیح دهد

استانداردهایی مانند UCP و ACP نشان می‌دهند که تجارت مبتنی بر ایجنت در حال حرکت به سمت قراردادهای فنی مشترک است. بااین‌حال، فروشگاه‌های ایرانی برای شروع لازم نیست منتظر دسترسی مستقیم به این پلتفرم‌ها بمانند.

یک فروشگاه می‌تواند با کاتالوگ ساختاریافته، API جست‌وجوی محصول، چند Tool مشخص و یک مدل متصل به API درواره، دستیار خرید اختصاصی خود را بسازد.

بهترین نقطه شروع، یک کاربرد محدود و قابل‌اندازه‌گیری است: کمک به کاربر برای پیدا کردن و مقایسه محصول. پس از اثبات کیفیت، می‌توان سبد خرید، سفارش و رابط مولد را نیز به آن اضافه کرد.

برای ساخت ایجنت خرید فارسی، دستیار فروش یا قابلیت جست‌وجوی مکالمه‌ای می‌توانید از API هوش مصنوعی درواره استفاده کنید و مدل‌های مختلف را از طریق یک رابط سازگار با OpenAI آزمایش کنید.

مقالات مرتبط

• هوش مصنوعی برای فروشگاه اینترنتی؛ راهنمای عملی
• هوش مصنوعی در فروش؛ آموزش افزایش فروش با AI
• AI Agent و Agent Skills چیست؟
• Function Calling چیست؟
• Structured Outputs چیست؟
• تولید توضیحات محصول با هوش مصنوعی

منابع رسمی

• مستندات Universal Commerce Protocol گوگل
• معرفی فنی UCP در Google Developers Blog
• وب‌سایت رسمی UCP
• مستندات Agentic Commerce Protocol در OpenAI Developers
• راهنمای شروع ACP
• مشخصات Agentic Checkout

این مقاله صرفاً با هدف آموزش و اطلاع‌رسانی تهیه شده است. پیش از استفاده عملی، مستندات رسمی سرویس‌ها و صفحه سلب مسئولیت را مطالعه کنید.