Anthropic Commerce Agents là gì? Tải và chạy thử agent bán hàng bằng Claude

Một khách hàng nhắn: “Tôi cần bộ đồ cắm trại cho hai người, ngân sách dưới 6 triệu, ưu tiên gọn nhẹ.” Chatbot thông thường sẽ trả vài đoạn tư vấn. Một commerce agent tốt phải làm nhiều hơn: tìm đúng sản phẩm đang bán, so sánh theo nhu cầu, kiểm tra tồn kho, dựng giỏ hàng và chuyển khách sang bước thanh toán an toàn.

Ngày 2/9/2026, Anthropic công bố Commerce Agents: một blueprint mã nguồn mở để xây loại trợ lý này bằng Claude. Điểm quan trọng cần nói ngay: đây là bộ kiến trúc tham khảo và code demo, không phải phần mềm bán hàng cài xong là chạy.

Tóm tắt nhanh

• Loại: Blueprint mã nguồn mở để xây shopping agent và merchant agent.
• Giấy phép: Apache License 2.0.
• Chi phí: Repo miễn phí; vẫn phát sinh chi phí Claude API, hosting và tích hợp hệ thống.
• Yêu cầu: Python 3.11+, Node.js 22, Anthropic API key và khả năng lập trình backend.
• Độ khó: Trung bình đến nâng cao; không phải công cụ no-code.
• Link chính thức: Tải Anthropic Commerce Agents trên GitHub.

Anthropic Commerce Agents gồm những gì?

Repo chia bài toán thành hai agent có vai trò rõ ràng:

• Shopping agent phục vụ người mua: tìm kiếm catalog, so sánh lựa chọn, lập danh sách mua, ghi nhớ preference, thêm sản phẩm vào cart, tra cứu đơn hàng và chính sách đổi trả.
• Merchant agent phục vụ đội vận hành: phân tích doanh số, theo dõi inventory, phát hiện vấn đề, đề xuất điều chỉnh giá hoặc promotion, sửa listing và soạn campaign.

Cả hai dùng chung một nguyên tắc: Claude phụ trách hiểu ý định, suy luận và hội thoại; dữ liệu và quyền hành động nằm trong hệ thống của doanh nghiệp.

Repo có bốn demo theo ngành: retail, travel, telecom và entertainment. Có thể chạy bằng Messages API, Claude Agent SDK hoặc Managed Agents. Mã nguồn phát hành theo Apache License 2.0.

Vì sao đây không chỉ là một chatbot gắn vào website?

Điểm đáng học nhất không nằm ở giao diện chat. Nó nằm ở cách Anthropic chia quyền giữa AI và phần mềm.

Một agent loop giữ toàn bộ cuộc hội thoại. Thay vì tách thành nhiều bot nhỏ cho catalog, cart và chăm sóc khách hàng, một agent chính theo dõi xuyên suốt nhu cầu của khách. Skills chỉ được nạp khi cần.

Tools lấy dữ liệu thật. Giá, tồn kho, sản phẩm, đơn hàng và chính sách phải đến từ backend. Model không được tự điền các con số còn thiếu.

UI có contract rõ ràng. Agent gửi product ID; server kiểm tra rồi dựng card, bảng so sánh hoặc cart. AI không tự viết HTML và cũ## Ứng dụng thực tế cho chủ shop, SME và người làm e-commerce

Commerce agent chỉ tạo giá trị khi được giao một việc cụ thể và nối với nguồn dữ liệu thật. Ba nhóm dưới đây có thể dùng cùng blueprint nhưng mục tiêu rất khác nhau.

Dành cho chủ shop: giảm thời gian tư vấn lặp lại

Một shop có website riêng có thể đặt shopping agent ở bước trước checkout. Khách không cần nhớ tên sản phẩm hay mở hàng chục tab; họ chỉ cần mô tả nhu cầu, ngân sách và điều kiện sử dụng.

Các use case dễ pilot:

• Tư vấn theo nhu cầu: “Da nhạy cảm, ngân sách dưới 800.000 đồng, cần routine tối giản” hoặc “Cần bộ thiết bị livestream cho phòng nhỏ”.
• So sánh sản phẩm: lấy đúng giá, tồn kho, thuộc tính và chính sách từ catalog để chỉ ra khác biệt.
• Tạo combo theo ngân sách: gom nhiều món, tính tổng và cảnh báo khi vượt mức khách đưa ra.
• Thêm đúng biến thể vào cart: màu, size hoặc dung lượng phải đến từ SKU thật, không để AI đoán.
• Chăm sóc sau bán: tra trạng thái đơn, điều kiện đổi trả và hướng dẫn bước tiếp theo trong cùng cuộc hội thoại.
• Bản tin vận hành buổi sáng: merchant agent đọc inventory rồi liệt kê sản phẩm sắp hết, listing thiếu thông tin hoặc đơn cần xử lý.

Ví dụ, thay vì để nhân viên trả lời lần thứ 30 câu “máy này có phù hợp phòng 20 m² không?”, agent đọc thông số và policy đã được duyệt, đưa ra hai lựa chọn, giải thích trade-off rồi chuyển cart cho khách. Nhân viên chỉ tiếp quản khi khách cần tư vấn ngoại lệ hoặc thương lượng.

Chủ shop nên bắt đầu với 20–50 sản phẩm bán chạy và một nhóm câu hỏi lặp lại nhiều nhất. Catalog nhỏ giúp kiểm chứng từng đề xuất, phát hiện hallucination và sửa dữ liệu nguồn nhanh hơn.

Dành cho chủ SME: biến dữ liệu bán hàng thành việc cần làm

Với SME, giá trị lớn hơn thường nằm ở merchant agent nội bộ chứ chưa chắc ở chatbot ngoài website. Chủ doanh nghiệp có thể hỏi bằng ngôn ngữ tự nhiên nhưng câu trả lời phải dựa trên CRM, đơn hàng, tồn kho và dữ liệu marketing của chính công ty.

Các ứng dụng đáng thử:

• Morning digest cho lãnh đạo: hôm qua doanh thu thay đổi ở đâu, mặt hàng nào sắp thiếu, vấn đề nào cần xử lý trước.
• Phân tích sản phẩm và kênh: tìm nhóm hàng tăng/giảm, campaign tạo đơn nhưng biên lợi nhuận thấp hoặc listing có traffic mà không chuyển đổi.
• Đề xuất xử lý tồn kho: gợi ý bundle, promotion hoặc nội dung campaign dựa trên hàng tồn và lịch sử bán; chưa tự áp dụng.
• Chuẩn bị quyết định giá: dựng bản trước/sau, nêu SKU bị ảnh hưởng, mức thay đổi và giới hạn đã cấu hình để người có quyền duyệt.
• Hỗ trợ đội sales: tìm đúng sản phẩm, policy hoặc điều kiện giao hàng rồi soạn nháp câu trả lời; nhân viên kiểm tra trước khi gửi.
• Chuẩn hóa tri thức vận hành: gom catalog, chính sách, lịch sử đơn và quy tắc bán hàng thành các backend tool có owner rõ ràng.

Một SME phân phối thiết bị, chẳng hạn, có thể cho agent đọc catalog và tồn kho để chuẩn bị báo giá sơ bộ theo nhu cầu khách. Nhưng chiết khấu đại lý, hạn mức công nợ và phê duyệt giá vẫn phải nằm trong business rule của backend, không nằm trong prompt.

Cách triển khai an toàn là mở read-only trước. Khi các báo cáo đã đúng và có evals, mới cho phép agent tạo staged change. Mọi thay đổi về giá, listing, inventory hoặc campaign vẫn cần human approval.

Dành cho người làm e-commerce: một trợ lý merchandising và vận hành

E-commerce specialist, marketer hoặc agency có thể dùng blueprint như lớp điều phối giữa dữ liệu cửa hàng và công việc hàng ngày.

Các use case thực tế:

• Merchandising: phát hiện sản phẩm thiếu ảnh, thiếu thuộc tính, mô tả không khớp biến thể hoặc hàng còn tồn nhưng khó được tìm thấy.
• Campaign planning: chọn nhóm sản phẩm cần đẩy, soạn campaign brief và đề xuất thông điệp dựa trên inventory thật.
• Kiểm tra promotion: đối chiếu giá trước/sau, giới hạn giảm giá và danh sách SKU trước khi trình duyệt.
• Customer insight: tổng hợp preference đã được khách đồng ý lưu để cá nhân hóa gợi ý, không biến hội thoại thành kho dữ liệu cá nhân vô hạn.
• QA storefront: chạy các kịch bản lặp lại để kiểm tra agent có tìm đúng sản phẩm, giữ ngân sách, chọn đúng variant và trả lời đúng policy.
• Prototype cho khách hàng: agency có thể dựng demo trên catalog hẹp để chứng minh trải nghiệm trước khi đầu tư connector production.

Bài thử nghiệm của Enchanter trên Shopify cho thấy có thể dựng prototype hẹp khá nhanh khi catalog và Storefront API đã sẵn sàng. Chính tác giả cũng nhấn mạnh prototype đó chưa phải hệ thống production. Phần khó vẫn là dữ liệu, authentication, observability, evals và quyền ghi.

Ai nên và không nên dùng?

Nên dùng nếu doanh nghiệp có catalog tương đối sạch, website hoặc hệ thống có API, một luồng tư vấn lặp lại đủ nhiều và có developer phụ trách tích hợp.

Chưa nên dùng nếu giá và tồn kho còn quản lý bằng nhiều file rời, không xác định được nguồn dữ liệu chuẩn, nền tảng bán hàng không cho API phù hợp hoặc doanh nghiệp đang kỳ vọng AI tự chốt đơn và tự xử lý payment mà không cần kiểm soát.

AI giúp sale giảm nhập liệu](https://kstudy.edu.vn/crm-tich-hop-ai-phan-mem-quan-ly-ban-hang-cho-sale/): AI đọc dữ liệu và chuẩn bị việc, con người giữ quyết định cuối.

3. Bài thực hành tốt cho người học AI Automation

Repo cho thấy một AI Agent thực tế không chỉ có prompt. Nó cần tool contract, state, memory, authentication, business rules, approval, logging và evals. Đây là bài tập đủ sâu để người học Vibe Coding hoặc AI Automation đi từ demo hội thoại sang một workflow có kiểm soát.

Ba giới hạn phải hiểu trước khi tải

Thứ nhất, các demo không có authentication production. Anthropic ghi rõ doanh nghiệp phải tự làm auth, authorization, credential mapping, rate limit, fraud rule, retention dữ liệu và log hygiene.

Thứ hai, repo không kèm connector commerce hoàn chỉnh. Muốn nối Shopify hoặc nền tảng đang dùng tại Việt Nam, đội triển khai phải viết backend adapter dựa trên API được nền tảng đó cho phép. Không nên mặc định Shopee, TikTok Shop, Haravan, Sapo hay Zalo đã được hỗ trợ sẵn.

Thứ ba, agent của người bán có thể bị thiết kế để tối đa hóa doanh thu thay vì bảo vệ lợi ích người mua. Thảo luận trên Hacker News đặt câu hỏi khá đúng: agent đang trung thành với ai? Với thị trường Việt Nam, guardrail nên cấm tạo khan hiếm giả, giấu phí, ép upsell và dùng dữ liệu cá nhân vượt quá sự đồng ý của khách.

Link download và cách chạy thử

Tải mã nguồn chính thức tại GitHub Anthropic Commerce Agents. Yêu cầu tối thiểu: Python 3.11+, Node.js 22 và một Anthropic API key.

git clone https://github.com/anthropics/commerce-agents.git
cd commerce-agents
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env
# Thêm ANTHROPIC_API_KEY vào file .env
(cd examples && npm ci)
python scripts/run_demo.py retail

Lệnh trên chạy retail API ở cổng 8000 và storefront ở cổng 3000.

• Thêm --merchant để mở merchant portal ở cổng 3100.
• Thêm --all để chạy cả storefront và merchant portal.
• Có thể thay retail bằng travel, telecom hoặc entertainment.

Không commit file .env hoặc API key lên GitHub.

Nếu dùng Claude Code, repo còn có plugin hỗ trợ scaffold một agent mới:

claude plugin marketplace add anthropics/commerce-agents
claude plugin install commerce-builder@claude-commerce-agents
claude
/scaffold-commerce-agent a shopping assistant for our store

Plugin giúp tạo khung ban đầu, nhưng vẫn cần developer nối backend và kiểm thử với dữ liệu thật.

Lộ trình pilot tối giản cho SME

1. Chọn một việc: tìm và so sánh sản phẩm; chưa mở thanh toán hay tự đổi giá.
2. Chọn một nguồn dữ liệu chuẩn: catalog và policy phải có owner, schema và lịch cập nhật.
3. Viết backend adapter hẹp: chỉ trả các field agent thực sự cần.
4. Giữ luật trong code: giá, tồn kho, voucher, eligibility, giới hạn cart và quyền ghi không đặt trong prompt.
5. Bắt buộc human approval: mọi thay đổi listing, giá, promotion hoặc campaign phải có bản xem trước.
6. Viết evals trước khi mở rộng: kiểm tra agent có lấy đúng sản phẩm, nói đúng giá, giữ ngân sách, không làm theo prompt injection và không vượt quyền.
7. Đo vận hành thật: completion rate, lỗi cart, latency, chi phí mỗi phiên và số lần người dùng phải sửa agent.

Một prototype có thể dựng nhanh. Một commerce agent đáng tin lại là bài toán dữ liệu, tích hợp và kiểm soát quyền. Đó cũng là ranh giới giữa “chatbot trông thông minh” và một hệ thống AI Automation có thể đưa vào vận hành.

Nếu chưa cần commerce agent, nên bắt đầu bằng gì?

Nếu điểm nghẽn hiện tại là sale nhập liệu và bỏ sót follow-up, một CRM tích hợp AI đơn giản có thể tạo ROI sớm hơn commerce agent.

Nếu điểm nghẽn là sản xuất nội dung đa kênh, nên thử bộ Social Media Skills cho AI trước. Chỉ xây commerce agent khi doanh nghiệp đã có catalog, policy và API đủ sạch để AI hành động trên dữ liệu thật.

Câu hỏi thường gặp

Anthropic Commerce Agents có phải phần mềm cài xong là dùng không? Không. Đây là blueprint và code tham khảo dành cho đội có khả năng lập trình, tích hợp backend và vận hành Claude API.

Có kết nối sẵn với Shopee, TikTok Shop, Haravan hoặc Sapo không? Repo không cung cấp sẵn các connector này. Khả năng tích hợp phụ thuộc API, quyền truy cập và chính sách của từng nền tảng tại thời điểm triển khai.

Agent có thể tự thanh toán hoặc tự đặt đơn không? Không theo thiết kế tham khảo. Agent dựng cart rồi bàn giao sang checkout của hệ thống thật; payment credential không đi qua model.

Chủ shop không biết code có dùng được không? Có thể dùng sản phẩm do một đội kỹ thuật triển khai, nhưng không phù hợp để tự cài đặt như một công cụ no-code.

Nên bắt đầu với shopping agent hay merchant agent? Chủ shop có website và nhiều câu hỏi tư vấn nên thử shopping agent hẹp. SME đã có dữ liệu sales, inventory và marketing nên ưu tiên merchant agent read-only để hỗ trợ ra quyết định.

Nguồn tham khảo

• Bài công bố chính thức của Anthropic
• Repo và tài liệu tải về
• Tài liệu safety trong repo
• Hướng dẫn nối backend
• Thử nghiệm kết nối Shopify của Enchanter
• Video giới thiệu do AI NEWS chia sẻ