算法购物：agentic AI 如何以人类启发式充当代理消费者

一篇 arXiv 论文用名为 Tool-Lab 的信息板过程追踪方法研究 AI 购物代理。研究者将商品属性放在需要付费的工具调用之后，测试八款来自三家厂商的商业化 LLM。结果显示：零成本时定价线索很少误导模型；一旦加入获取成本并使用模糊目标提示，模型会省略计算单价所需的诊断属性，做出类似人类启发式的次优选择。

此前讨论多聚焦 LLM 自身是否可靠，该研究把代理购物的偏差归因转向店铺信息架构与获取成本。它表明同一批商业化模型在零成本与有成本、模糊与明确目标下表现分化，说明偏差可被界面设计触发或抑制。

Tool-Lab 把每个商品属性置于一次付费工具调用之后，从而观察模型在决策前的信息获取顺序。当目标提示模糊且获取有成本时，模型倾向跳过单价类诊断属性，转而依赖显眼的定价与促销线索，形成由搜索过程中介的脆弱性；目标明确则可维持诊断性搜索与选择最优性。

对电商与购物代理产品而言，商品属性的获取成本、默认可见字段和目标提示的具体程度会直接改变代理的选择结果与用户成本。研发需评估哪些字段免费暴露、哪些按调用计费，并在代理侧补充单价等诊断属性的自动获取，避免促销框架被放大。

• 在购物代理中加入自动计算单位价格等诊断属性的步骤，不依赖模型自行发起付费调用。
• 为代理提供结构化明确目标模板，减少模糊提示下的启发式替代。
• 面向商家提供信息架构检测服务，评估商品页在代理视角下是否暴露关键诊断字段。
• 对代理购物链路建立按获取成本分层的评测集，持续监控选择次优率。

• Tool-Lab 的实验是否覆盖真实电商接口与真实价格数据，还是仅限实验性信息板。
• 八款 LLM 的具体版本与厂商分布未在证据中给出，结论的可迁移性待确认。
• 获取成本的具体量级与货币化设置如何影响结果，证据未说明。
• 在真实购物代理部署中，这种脆弱性造成的实际用户损失规模尚不清楚。