
Sign up to save your podcasts
Or


GPT-6 Astra 展示單一 prompt 生成互動 3D 遊戲與介面,Higgsfield MCP 整合仍待推出。
核心進展 GPT-6 Astra 展現出直接產生與重建互動 3D 內容的能力。OpenAI Codex APAC Lead Derrick Choi 展示以 Codex 建立的台北場景,並在 後續畫面 中開啟 Blender;他表示模型建立了幾何、材質、光源與其他場景元素,但也明確說明模型對台北地理做了創作性調整。畫面出現的 Blender 版本為 5.2.1。
來源:@derrickcchoi|Blender 軟體介面顯示的台北場景 3D 專案,畫面中央為 3D 視圖與模型網格,右側為 Scene Collection 階層面板與屬性設定面板。
遊戲與介面展示 Pietro Schirano 的測試串展示多種程式開發流程:
透過單一 /goal prompt 建立水下探索遊戲,內容包含 3D 元素與音效;畫面呈現亞特蘭提斯遺跡、地圖、文物回收與多個探索區域。 依照 prompt 指定的 PS1 風格,建立可遊玩的旋轉陀螺遊戲。 將輸入影片中的卡片與動畫重建成互動介面,左側是影片、右側是互動程式碼。 這些案例橫跨影像轉 3D 動畫、單一 prompt 遊戲原型、風格指定遊戲與影片轉互動介面。
來源:@skirano|使用者在網頁介面透過單一 /goal prompt 展示在 3D 水下世界探索亞特蘭提斯遺跡的遊戲畫面
這些是創作者展示,不是受控 benchmark;來源沒有提供完整 prompt、生成的 repo、重試次數、人工修改、耗時,或與其他 model 的比較結果。
Higgsfield MCP 整合 Higgsfield 在 官方預告 中宣稱,GPT-6 Astra 搭配即時 3D 生成堆疊後,能以單一 prompt 產生可玩的遊戲,並由 Higgsfield MCP 生成遊戲機制、故事與所有 asset。不過,Higgsfield 將這項整合標示為 coming soon,尚未普遍提供給使用者;預告海報與影片也只能作為視覺展示,不能單獨證明實際生成流程或執行時互動性。
示範 Higgsfield 整合至 GPT-6 Astra,透過掃描筆記本草稿與選取風格,自動生成 3D 遊戲關卡與賽車資產的介面與實機畫面。
影片畫面展示了掃描筆記本草稿、選擇視覺風格與相機視角、建立角色骨架和車輛物理效果,再匯出至 Blender 與遊戲引擎;後續畫面出現賽車遊戲、角色與車輛選單,以及「GPT-6 ASTRA COMING SOON TO HIGGSFIELD.AI」字樣。這條路徑應與 Astra 直接產生互動程式碼分開理解,因為可見 asset 不能全部歸因於 Astra。
產品與安全脈絡 OpenAI 的 GPT-6 Astra 發布頁 將模型定位於電腦操作、瀏覽、軟體工程、資安、科學與專業工作,API model identifier 為 gpt-6-astra。發布先從少數組織開始,數日內擴展至付費 ChatGPT 方案、API 與 AWS;Codex 也加入 context-retention 機制,可在 active context window 填滿後保存並取回筆記。OpenAI 同時發布安全與可監督性資料,並指出高權限 Computer Use Agent 需要使用者控制與監控行為。
判讀與實務 目前較穩妥的結論是:Astra 已出現多種具視覺野心的早期應用展示,但展示品質不能直接轉換成 model 排名。後續若要重現,應完整記錄 prompt、repo、重試、人工修改、耗時與比較基準;檢查 Blender 場景是否為可編輯的 3D 交付物,而不只是平面 render;同時區分 Astra 本身的程式碼生成,以及 Higgsfield MCP 對外部創作工具的排程與 asset 生成。
來源:@derrickcchoi|一座以深色基底呈現的立體等角視角城市模型,中央佇立著高聳的綠色塔狀主體,周圍環繞著密集排列的方塊狀建築群、綠意盎然的山脈以及幾處具有藍色和金色屋頂的傳統風格建築,整體呈現微縮景觀的視覺效果。
示範 Higgsfield 整合至 GPT-6 Astra,透過掃描筆記本草稿與選取風格,自動生成 3D 遊戲關卡與賽車資產的介面與實機畫面。 影片中的 Prompt 與操作:
Prompt(00:07): 將這張草圖轉化為可遊玩的遊戲原型。生成視覺風格並使用 Blender 來建立 3D assets
原文:Turn this sketch into a playable game prototype. Generate the visual style and use Blender to build 3D assets
Prompt(00:21): Higgsfield 新增 Anim_Clip:回頭、得意假笑、漫不經心的揮手
原文:Higgsfield Add Anim_Clip: look back, smug smirk, dismissive wave
Prompt(00:22): Higgsfield 新增 Anim_Clip:受到攻擊、頭暈搖晃、恢復
原文:Higgsfield Add Anim_Clip: take hit, dizzy wobble, recovery
操作步驟: 1. (00:04)- 點擊並拖曳筆記本草稿至對話介面 2. (00:05)- 在輸入框中輸入遊戲原型生成 prompt 3. (00:13)- 從選單中點擊選取賽道風格 4. (00:14)- 點擊確認相機視角 5. (00:21)- 在 3D 檢視器中輸入指令新增角色動畫片段 6. (00:42)- 點擊遊戲暫停選單中的選項
原文:https://easyvibecoding.app/curated/3256-gpt-6-astra-generates-interactive-3d-game-interface
Runway 發布 GWM Worlds 2 研究預覽:以文字與攝影機即時生成 720p 影片及 48 kHz 音訊。
GWM Worlds 2 運作介面,展示結合 WorldPrompt、即時互動模擬與音訊生成的 world model 示範
它同時把生成環境作為 Agent 移動與目標導向行動的實驗場域,但目前仍不是一般可用的遊戲引擎或機器人模擬器。
核心架構 Runway 在官方研究頁面〈Introducing GWM Worlds 2〉將 GWM Worlds 2 描述為自回歸音訊-影片 diffusion model。其 WorldPrompt 把持續存在的世界脈絡與帶有時間戳的事件流分開管理:
持續脈絡包含 genesis 描述、subjects、laws 與 first frame。 事件流記錄動作、對話、聲音與攝影機移動。 模型每一步結合全域脈絡、目前輸入,以及已生成影格的 sliding cache,並可在沒有固定片段長度的情況下持續生成。
某個應用程式介面的世界建立畫面,頂部設有 Play、Presets、History 與 Debug 分頁,中央的文字輸入框內填有「third person, running along a beach」,下方選單標示 Gemini 3.1 Flash Image (fast),並附帶「Add reference image」核取方塊與「Create world」按鈕,底部則說明由模型產生圖像後再填入 prompt、角色與動作。
展示能力 系統以 720p、每秒 24 frames,以及 48 kHz(48,000 Hz)音訊運作。Runway 展示第一人稱與第三人稱導航、主體和場景動作、生成對話、從預填影片延續內容、多人角色,以及由 Agent 控制的互動情境;其中目標導向 Agent 能在生成環境中選擇移動動作,可探索作為具身 Agent 的評估或訓練介面。預先編排的 actions 目前比現場以按鍵綁定的 demo 產生更好的品質。
第一人稱視角沙漠荒野生存模擬畫面,左手持金屬隨身水瓶,右手持石矛,前方荒漠道路延伸至夕陽下的小營地與帳篷,左上角顯示生命值、體力、水分與飽食度計量條,右下角標示時間與日期。
限制與評估 即時速度與 fidelity 之間存在取捨;快速旋轉攝影機可能使幾何、材質與細節劣化,長期記憶也不完整。系統目前不支援 first frame 或預填影片以外的參照內容,最豐富的反應式體驗可能需要外部 state-tracking harness。實際測試應分開檢查即時速度、畫面 fidelity、攝影機旋轉瑕疵、長期記憶與參照限制;來源尚未說明硬體需求、API 存取方式或即時性主張的重現細節。
GWM Worlds 2 運作介面,展示結合 WorldPrompt、即時互動模擬與音訊生成的 world model 示範 影片中的 Prompt 與操作:
Prompt(00:11): 第一人稱沙漠求生遊戲,日落時分,一手拿著水壺,一手拿著長矛,前方有營火。
原文:First-person desert survival game at sunset, canteen in one hand, spear in the other, campfire ahead.
操作步驟: 1. (00:11)- 點擊 Create world 按鈕
原文:https://easyvibecoding.app/curated/3263-runway-gwm-worlds-2-text-camera-real-time-video-audio
Salesforce in Claude 內含 37 個 skills,串接 Salesforce、Slack 與 email。
合作定位 Salesforce 明確區分 Claudeforce 與新 foundation model:前者是 Salesforce–Anthropic 的整體合作名稱,不是新推出的獨立模型。此次新增的重點是 Salesforce in Claude,而非雙方既有關係本身;合作過去已涵蓋面向受監管產業的 Claude in Agentforce,以及 Slack 整合與 MCP 連線。
功能範圍 Salesforce in Claude 內含 37 個由 Salesforce 與 Anthropic 共同開發、根植於 Salesforce CRM 工作流程的 skills,讓使用者不必離開 Claude 即可:
跨 Salesforce、Slack 與 email 推理,回答交易與帳戶問題。 建立 account plan。 觸發獲准執行的 Salesforce 工作流程。
這些跨系統動作沿用 Salesforce 現有的使用者權限與 business rules,不繞過原有控管。
Salesforce 與 Anthropic 合作推出的 Claudeforce 宣傳影片,展示在 Claude 介面中整合 Salesforce 的功能與協作畫面。
供應狀態 Salesforce 表示,pilot 客戶目前即可使用 Salesforce in Claude,並規劃於 2026 年 9 月推出 open beta;這不代表產品已全面開放。服務與行銷相關 experiences 則標示為 coming soon,最終範圍尚未公布。官方資訊可參考 Salesforce Claudeforce 產品頁。
導入重點 企業評估時應把焦點放在 37 個 skills 的實際治理與工作品質,而非只看合作品牌:
逐項確認 Salesforce 權限與 business rules 是否約束每個跨系統動作。 測試交易、帳戶、account plan 及獲准工作流程,並涵蓋 Salesforce、Slack 與 email。 將目前 pilot 與 2026 年 9 月的 open beta 計畫,和仍屬 coming soon 的服務、行銷功能分開追蹤。
來源未提供 37 個 skills 的獨立成效指標,也未說明 pilot 客戶資格與 beta 時程細節。
Salesforce 與 Anthropic 合作推出的 Claudeforce 宣傳影片,展示在 Claude 介面中整合 Salesforce 的功能與協作畫面。 影片中的 Prompt 與操作:
Prompt(00:16): 協助我開始使用 Claud 上的 Salesforce
原文:Help me get started with Salesforce in Claud
Prompt(00:20): 可以幫我找找我的商機嗎?
原文:Can you find my opportuniti
Prompt(00:31): 有哪些案件卡住了?
原文:Which cases are stuck?
Prompt(00:32): 預測情況如何?
原文:What's the forecast?
操作步驟: 1. (00:10)點擊 Skills 選單 2. (00:12)開啟 Salesforce 整合開關 3. (00:16)輸入 Salesforce 整合請求 4. (00:20)輸入尋找機會的查詢 5. (00:24)點擊 Share with Slack 按鈕 6. (00:31)選擇 Salesforce 與 Auto 選單選項
原文:https://easyvibecoding.app/curated/3262-salesforce-launches-claude-37-skills-crm-workflows
Gemini 3.8 Flash 逐步加入 GitHub Copilot;GitHub 稱早期測試擅長終端開發與失敗復原。
核心能力 GitHub 表示,早期測試觀察到 Gemini 3.8 Flash 在下列情境具備優勢: 複雜的終端機程式開發任務 嚴格驗證程式結果 從可採取行動的失敗中持續復原
這些描述是 GitHub 對自身早期測試的歸納,官方未公布 benchmark 資料集、任務數量、比較模型或成功率,因此不能改寫成普遍性的效能結果。詳情見 GitHub 的官方變更公告。
適用方案與平台 Gemini 3.8 Flash 可供 Copilot Pro、Pro+、Max、Business 與 Enterprise 使用者選取,並會出現在模型選擇器中,涵蓋: Visual Studio Code、Visual Studio GitHub Copilot CLI GitHub Copilot cloud agent、GitHub Copilot app JetBrains IDEs、Xcode、Eclipse
GitHub 採取逐步 rollout,符合資格的帳號不一定會立即看到模型。
管理控制 Business 與 Enterprise 管理員可透過 Gemini 3.8 Flash model policy 管理存取權。新引入的模型預設會自動啟用;若管理員已關閉全域預設啟用,或明確停用 Gemini 3.8 Flash,則不會套用這項預設行為。使用者應先確認方案資格、模型選擇器與組織政策,再執行終端機、驗證及復原任務。
計費與評估 GitHub 表示,Gemini 3.8 Flash 在 usage-based billing 下採用供應商的導入期價格,適用至 2026 年 12 月 31 日;實際 request 費用仍應以目前的 Copilot model-pricing 文件為準。這意味著團隊在預算規劃前,需同時核對當期價格、方案範圍與管理員設定,並以具代表性的工作負載自行評估,而非只依賴 GitHub 的早期測試描述。
原文:https://easyvibecoding.app/curated/3259-github-copilot-adds-gemini-3-8-flash-terminal-recovery
ClaudeDevs 推出 ant apply:以 repo 宣告並同步 Claude Managed Agent 資源。
團隊可把 Claude Managed Agent 的設定放進 repo,預覽變更後再同步至遠端資源。
核心功能 ant apply 支援以 YAML、JSON、Markdown 或 skill 目錄宣告下列資源:
agent、environment、skill、memory-store 與 deployment 互動式 create/update plan,執行前會列出新增或更新內容並要求核准 以 claude-lock.json 記錄遠端 resource ID、雜湊值、organization 與 workspace identity,後續執行會更新原有物件,避免重複建立 透過 repo 相對路徑引用資源,並依相依性順序解析、填入實際 ID
同步與變更控制 只有被 claude-lock.json 追蹤的資源會由 workflow 管理。若遠端資源遭到外部編輯、封存或刪除,正常的 apply 會阻擋同步;--force 可覆寫已記錄的 drift,--prune 則可移除已不再宣告的資源。部分變更失敗時,lockfile 仍會保存已建立的物件,因此文件要求即使部分失敗也提交 claude-lock.json。
CI 與安全操作 Anthropic 建議在 pull request 執行 ant apply --dry-run,合併後執行 ant apply --yes .。由於 lockfile 沒有 concurrency lock,同一時間只能執行一個 apply;憑證方面則建議使用 Workload Identity Federation,而不是把 API key 儲存在環境中。來源未說明部分套用後的 rollback 語意,也未列出各資源類型所需的精確 API 權限,這兩點仍需人工查閱文件。
實際流程 媒體展示先以 agents/summarizer.md 定義 agent,再執行 ant apply agents/summarizer.md;首次成功套用會建立 claude-lock.json 與遠端 agent。接著將 skill、environment、memory store、其他 agent 與 deployment 放入同一個專案目錄,執行 ant apply .,畫面顯示 6 個資源建立、1 個資源未變更。修改 skills/pr-summary/SKILL.md 後,相關的 reviewer、lead 與 deployment 也在同一次 apply 中更新,呈現出接近 infrastructure-as-code 的資源 reconciliation,而非一次性的 Agent 建立指令。
ant apply 指令執行介面與專案目錄結構
ant apply 指令執行介面與專案目錄結構 影片中的 Prompt 與操作:
操作步驟: 1. (00:14)ant apply agents/summarizer.md 2. (00:33)ant apply .
原文:https://easyvibecoding.app/curated/3258-claudedevs-ant-apply-declarative-claude-managed-agent-sync
OpenAI 為付費 ChatGPT 使用者補發 banked reset:每缺少 GPT-6 Astra 一天獲一次 Codex 重置。
原文:https://easyvibecoding.app/curated/3257-openai-reissues-banked-codex-resets-paid-chatgpt-users
GPT-6 Astra 把「6」畫成星系:電腦操作躍進,也留下可監督性警訊。
原文:https://easyvibecoding.app/curated/3255-gpt-6-astra-starfield-computer-use-monitorability
SolarWM 開放端到端世界模型流程與 143 萬片段資料集,部分原始資料仍受限。
開源內容 發布者 @enderfga 表示,SolarWM-Data 收錄 143 萬個影片片段、約 25 TB 資料,附有完整標註、品質分數與資料整理流程。該管線整合 14 個資料集,將影片轉成統一且對齊影格的資料格式,並提供觀測內容、攝影機幾何、文字描述、品質中繼資料、選取結果與來源資訊。研究者可從專案頁面、論文、GitHub 程式庫與資料集檢視相關內容。
模型與互動 SolarWM 強調,模型只使用 5 秒影片序列訓練,SolarWM-5B 仍能支援即時互動生成,並維持從數分鐘延伸至數小時的 rollout。單一訓練與推論框架支援 4 個模型變體:5B、14B、LTX-2.5 與 Minimax-H3;程式庫則描述涵蓋 5B 至 33B、基於 Wan2.2、LTX-2.5 與 MiniMax-H3 的模型家族。公開內容包括 SolarWM-5B 各訓練階段權重,以及 SolarWM-14B、SolarWM-LTX 和 SolarWM-H3 的雙向權重。
展示與限制 宣傳影片展示海灘、雪村、冰河、都市與室內場景,並以第三人稱視角呈現角色奔跑、車輛行駛與帆船航行;畫面也展示從數分鐘到數小時的長時間 rollout。影片宣稱所有視覺內容皆由 SolarWM 生成,但部分片段為便於觀看而加速。這些主張目前未附獨立 benchmark 結果,也未說明即時生成與長時間 rollout 所需的硬體規格。
SolarWM 開源長時效影片世界模型的宣傳短片,展示多款 AIGC 生成的長影片與開放資料、模型架構數據。
重現注意事項 公開 SolarWM-Data 包含 release controls、授權條款、recipe 與測試索引、格式範例,以及 SolarWM-Data-Annotation 套件;但不包含 releases-v1/raw-wds/ 與 releases-v1/latent-wds/ 的完整 payload。raw-WDS 可根據標註重建,或透過 Dataset Access Form 申請,因此規劃完整資料重建前,仍需人工核對授權、存取條件與缺少的資料內容。
原文:https://easyvibecoding.app/curated/3254-solarwm-pipeline-1-43m-clips-partial-raw-payloads
Meta 發布 Muse Spark 1.3,內部比較少用約 25% tokens,支援長程 Agentic 工作。
發布與可用性 Meta 的 @AIatMeta 表示,Muse Spark 1.3 已開始在 Muse Code 與 Meta Model API 推出;既有 reasoning modes 目前可用,但 max reasoning 要等額外 safety testing 完成後才會推出,官方尚未公布確切時間。Mark Zuckerberg(@finkd)則稱,這是 Meta 目前在 coding 與 agentic work 上「幅度最大的一次躍升」,成本「幾乎低到不需計量」。這些都是發布方的說法,不能直接當成獨立驗證結果。官方也預告更大型 model 與 Muse Spark open weights,但都還在 roadmap 階段。
Agentic 工作能力 Muse Spark 1.3 能在單一長 thread 中維持多個 workflow,從混亂且互相衝突的來源建立自身 context,修正計畫缺口並完成交付成果。它也更積極與使用者協作:
prompt 含糊時主動提出澄清問題,卡住時向使用者求助。 在 consequential actions 前要求確認,也更能判斷哪些行動具有不可逆風險。 更可靠地遵循複雜、長篇指令,在多步驟工作中保留細節與限制。 在同一 thread 混有新舊要求或遭到中斷時,更準確地把 prompt 對應到正確任務。 對自身能力與限制有較佳校準,遇到無法處理的障礙時,比較不會捏造結果。
官方表示,模型曾在多樣化 harness 上訓練,以適應不同 agentic 環境;長任務也能依使用者偏好頻繁更新進度,或安靜地在背景執行。
Coding 與安全 Meta engineers 的內部比較指出,Muse Spark 1.3 在 coding 工作流程中會減少不必要的往返、縮短輸出,並改善整體 coding style;相較 Muse Spark 1.2,約少 20% tool calls、25% tokens。不過原文沒有提供可重現的獨立效率測試或 production workload 結果,因此這只能視為 Meta 的內部說法。安全方面,官方宣稱改善 對抗性穩健度、提示注入抵抗力,以及 agentic 工作中對不可逆行動的判斷;max reasoning 仍要等額外 safety testing 完成後才會推出,目前不能寫成已全面可用。
評測結果與比較邊界 官方在涵蓋專業 Agent、電腦操作、網路研究、自動化、軟體工程、指令遵循與長 context 檢索的評測中,列出以下結果:
DeepSWE v1.1:75.4;涵蓋 113 項任務、91 個程式庫與 TypeScript、Go、Python、JavaScript、Rust 五種語言。 Terminal-Bench 2.1:88.8;SWEAtlas CodeBase QnA:59.4;OSWorld 2.0:66.9。 DeepSearchQA:89.4;MRCR 512K–1M:98.1;該評測另在 256K–512K 與 512K–1M 兩個區段各使用 100 個範例。 其他分數包括 GDPVal-AA v2 1754、JobBench 64.9、DeepSearchQA 89.4、內部 Agentic IF Index 57.8,以及 AutomationBench 49.4。
但官方 scorecard 以 Muse Spark 1.3 max reasoning 對比 Muse Spark 1.2 xhigh,兩者的 reasoning effort 不同,不能當作同條件的世代比較;第三方 model 的測試也屬 best-effort,prompt、工具與執行環境未必經過各家最佳化。Artificial Analysis 的評測顯示,現階段可用的 Muse Spark 1.3 xhigh 在 Intelligence Index 拿到 61 分,比 Muse Spark 1.2 高 4 分,與 GPT-5.6 Sol max、Grok 4.6 high 並列;合作夥伴 limited preview 中的 Muse Spark 1.3 max 則拿到 62 分。
Muse Spark 1.3 (max) 在 Long Context 與 Coding 多項基準測試(如 MRCR、DeepSWE v1.1、SWEAtlas)中取得最高分,而在 Agent 相關測試中表現各有高低,由 Opus 5 (max) 與 GPT 5.6 Sol (max) 分別在多個指標領先。
成本與取捨 Meta Model API 的標準價格維持每百萬 input tokens $1.25、每百萬 output tokens $4.25,cached input 為每百萬 $0.15。Artificial Analysis 估算 xhigh 每項 Intelligence Index 任務成本為 $0.55,但 agentic 評測約使用 57% 更多 input tokens,output tokens 也增加約 8%,因此每項任務成本高於 Muse Spark 1.2。max 雖在 GDPVal-AA v2 達 1754 Elo、Tau3-Bench Banking 達 52%,卻比 xhigh 分別多使用 62% 與 28% 的 turns 和 reasoning tokens。
退步與驗證建議 評測並非全面上升:AA-LCR 從 83% 降至 79%;AA-Omniscience accuracy 則由 45% 降至 xhigh 的 42%,max 為 44%。Artificial Analysis 認為 xhigh 的下降與較高 abstention rate 有關,而較常拒答同時降低了 hallucination。Muse Spark 1.3 另提供 1M-token context window,支援文字、圖片與影片輸入;實際採用時仍應在 Muse Code 或 Meta Model API 以自身 coding 與 agentic 任務重測,並將澄清、卡點求助、重大行動確認及提示注入納入安全測試。
來源:@AIatMeta|Muse Spark 1.3 的品牌視覺圖,黑色背景上以藍色斜向光束交織出波浪狀的網格與發光的白色粒子,並有多個帶有箭頭指標的藍色軌跡向上延伸。
原文:https://easyvibecoding.app/curated/3252-meta-ai-research-muse-spark-1-3-cuts-coding-tokens
Anthropic 開源 Claude Commerce Agents blueprint,提供可 fork 的購物與商務代理參考實作。
核心定位 Claude Commerce Agents 不是只有概念展示,而是一套可 fork 的 commerce agent 起始架構,協助工程團隊在數天內建立購物與商務營運流程。官方提供零售、旅遊、電信與票務/娛樂等四個垂直領域的參考案例;案例中的 ACME 品牌與商品目錄均為虛構、合成資料,不能直接視為正式產品規格。
Shopping agent Shopping agent 嵌入面向顧客的應用程式,將商品目錄、購物車、訂單、結帳、偏好與客服資訊串在同一段對話中,主要能力包括:
搜尋與比較商品,處理多項商品需求與購買規劃。 根據目錄資料建立購物車,記住使用者偏好。 回答訂單狀態、退貨、換貨與退款政策。 將使用者交給主機或平台的結帳 URL;模型不會看到該 URL,付款執行則由實作者負責。 以商品目錄作為產品與價格的事實來源,透過 guardrails 限制超出目錄的推薦,並避免操弄式加價推銷。
部署時需實作 StorefrontBackend,接上自身的商品目錄、購物車、訂單與政策系統。官方建議先從讀取流程開始,對尚未提供的寫入操作拒絕或暫時 stub。
Claude for Commerce 架構藍圖與 shopping 及 merchant agent 實作介面展示。
Merchant agent Merchant agent 面向後台工作人員,負責回答銷售與庫存問題、維護商品與庫存、處理訂單提醒、提供價格與促銷建議,以及草擬行銷活動。它也包含銷售分析、目錄與庫存管理、行銷與促銷功能,並可透過 Portal UI 顯示圖表與儀表板。
所有可能主動改變商務狀態的操作都會先形成 staged change,必須由人員在核准介面確認後,才透過 MerchantBackend 實際套用。這項設計涵蓋庫存調整、價格、促銷與行銷活動,並非讓 Agent 直接發布變更。
技術架構與部署 同一套角色定義、提示、技能、工具契約與安全閘門,可執行於三條路徑:
Messages API Claude Agent SDK Claude Managed Agents beta
程式也可部署至 Claude API、Amazon Bedrock、Microsoft Foundry 或 Google Cloud Vertex AI。Repository 內的 backend method 在伺服器端呼叫服務,使用由主機持有的 session credentials,模型只能取得回傳結果;有順序要求的商務流程則必須在 backend 強制執行。官方另提供 commerce-builder plugin,供團隊快速建立骨架、擴充、評估與審查實作。
安全邊界與實際成效 fencing(操作隔離)、來源追溯閘門、操作上限、記憶驗證與商務代理核准閘門,都會在三條執行路徑的工具呼叫內執行。不過範例沒有身分驗證,Managed Agents 的 MCP server 也只綁定 loopback,因此實際部署的授權、合規設定與其他安全控制仍由實作者補足,來源沒有提供各部署環境的具體限制。
ClaudeDevs 稱,採用 shopping agent 的零售商觀察到購物車最高成長為 35%,使用者完成購買的可能性最高成長為 60%;這些百分比是廠商自述數據,尚未經獨立基準測試驗證,不能當作普遍成效。完整參考實作位於 anthropics/commerce-agents,官方公告與工程說明則可參閱 Building Commerce Agents with Claude。
Claude for Commerce 架構藍圖與 shopping 及 merchant agent 實作介面展示。 影片中的 Prompt 與操作:
Prompt: 尋找產品
原文:Find a product
Prompt: 規劃房間
原文:Plan a room
Prompt: 檢查訂單
原文:Check an order
Prompt: 儲存偏好設定
原文:Save a preference
Prompt: 我的姪女下個月滿九歲,她非常喜歡組裝模型和拼圖——什麼會是很棒的禮物?大約 45 美元以下。
原文:My niece turns nine next month and she's deep into building sets and puzzles — what would make a great gift? Somewhere under $45.
Prompt: 將木製積木組加入我的購物車——這樣就全部好了。我準備好要結帳了。
原文:Add the wooden block set to my cart — that's everything. I'm ready to check out.
Prompt: 今天早上有哪些事需要我關注?
原文:What needs my attention this morning?
Prompt: 擴充 BC-2102 說明 — searchandcart 與內容品質 - @00:03 點擊 shopping agent 對話框中的預設提示按鈕 - @00:08 在 shopping agent 輸入結帳與加入購物車指令 - @00:10 點擊「Continue in app to place order」 - @00:13 切換至 merchant portal 後台介面 - @00:18 點擊 merchant portal 中的「Approve」按鈕 - @00:26 顯示 git clone 指令與專案資源連結
原文:Expand BC-2102 description — searchandcart and content quality - @00:03 點擊 shopping agent 對話框中的預設提示按鈕 - @00:08 在 shopping agent 輸入結帳與加入購物車指令 - @00:10 點擊「Continue in app to place order」 - @00:13 切換至 merchant portal 後台介面 - @00:18 點擊 merchant portal 中的「Approve」按鈕 - @00:26 顯示 git clone 指令與專案資源連結
原文:https://easyvibecoding.app/curated/3247-claudedevs-open-source-claude-commerce-agents-reference
From the publisher's feed