Agentic Commerce 新基准:商家侧的 AI 购物准备好了吗?

当 AI agent 代替人类浏览和下单时,大多数人关注的是 agent 有多聪明。但交易的另一端——商家的网站是否让 agent 进得来、条款是否写得足够精确、有没有留下可追溯的证据——几乎无人测量。

一篇题为《Get In, Decide, Prove: A Merchant-Side Readiness Benchmark for Agentic Commerce》的论文提出了一个面向商家侧的评估基准,并公布了一轮试点结果。它的核心不是给商家排名,而是验证这套测量方法能否跑通。

三个问题:进得来、能决策、可追溯

这个基准围绕三个动作展开:In(访问)、Decide(决策)、Prove(举证)。对应到商家侧,分别是网站是否允许 agent 抓取和购买、公布的商品条款是否精确到足以支撑一次具体购买决策、以及是否留下了能够证明"双方约定了什么"的证据。

其中最关键的测量指标叫 decision sufficiency(决策充分性)。它的做法是拿一份具体的买家委任(mandate)逐条对照——总花费、取消或退货条款、服务日期、商品型号标识——把每一项从商家自己公布的证据里判定为 determinate(确定)、indeterminate(不确定)或 unknown(未知)。

这个设计的意义在于:AI 购物的失败往往不是 agent 不够强,而是商家页面压根没提供决策所需的事实。

买家委任（mandate） 是理解整个基准的关键概念：它指用户授予 AI agent 的一段结构化指令，明确交代总预算、可接受的退货或取消条件、必须满足的服务日期、指定商品型号等硬约束。Agent 在购物时代理人做出的每一次选择，都必须回到这份委任上校验是否越权。Decision sufficiency 之所以用「逐条对照委任」的方式测量，正是因为委任本身就是一份可判定的清单：每一条要么能从商家公布的证据中找到确定答案，要么被标注为不确定或未知。这种设计把「页面信息是否够用」这个模糊问题，转成「对 N 条约束的覆盖率是多少」这个可复现的量化问题。

声明式 bot（declared bot） 与声明式无头浏览器（declared headless browser） 属于两类可被网站识别的 agent 访问身份：前者会主动通过 User-Agent 或类似信令声明自己是自动化程序，后者以无头浏览器运行时特征暴露自动化痕迹但未必主动声明。区分这两种身份的意义在于，商家的封堵策略往往按「诚实自报的 bot」和「伪装成人的自动化」两套规则执行，同一 agent 换一种身份就可能从被拒绝变为被放行。把访问结果分身份报告，才能暴露这种策略差异，而不是给出一个误导性的「可爬 / 不可爬」二元结论。

四家大商家的实测:全部无法确认委任达成

论文对四家大型商家做了完整评估,结果并不乐观。三家在报价页面直接拒绝了声明的 bot 和声明式无头浏览器配置;并且没有任何一份买家委任能被确认为"已满足",原因是每一家都至少留下了一个总花费项或退款条款处于不确定状态。

换句话说,网站能被访问,不等于条款能被理解;条款能被读到,不等于足以支撑一次可执行的购买。

基准还区分了三种访问身份:声明式 bot、声明式无头浏览器、带真人操作界面的浏览器。把访问权限单独报告,而不是笼统地算一个"能否爬取",这抓住了 agent 电商里最现实的摩擦点——很多商家对 bot 的封堵策略与对人机混合流量的放行是两套逻辑。

此外,每个观察到的条款都会映射到 RAILS 可采性分类,也就是:如果将来发生纠纷,这条证据能不能被采纳。这把"商品页面写没写"升级成了"写了能不能用"。

RAILS 可采性分类 关注的不是条款「写没写」，而是条款在纠纷情形下「能不能被当作证据使用」。同一条退货政策，如果放在一个随时可能被改动的 HTML 片段里、没有版本快照、没有明确生效时间和商家身份绑定，那么它在仲裁或诉讼中很难被认定为「双方约定的内容」。基准把每一条观察到的条款映射到这套分类，实际上是在测量商家所展示条款的证据强度，而不只是信息密度。对 agent 一方而言，这意味着即便页面文本被成功抓取，也可能因为缺乏可采性而无法在交易失败时主张权利；对商家而言，这提示「写清楚」之外还要「留得住、认得出」。这一层维度与 In/Decide/Prove 中的 Prove 直接对应，也是该基准区别于普通商品页面爬取质量评估的核心。

555 个站点普查:近两成首页对 agent 不可读

论文对两家支付处理商公开列为其客户、共 555 个商家站点做了访问普查,发现其中 105 个站点(18.9%)的首页对上述两种声明式配置均不可读。

这是一个容易被忽略的比例。它意味着即使 agent 的浏览和购买能力持续提升,仍有相当一部分商家在入口处就把它们挡在外面。对于希望接入 agent 流量的商家,这是可以直接行动的信号;对于构建 agent 的一方,这是必须纳入失败处理的现实约束。

可排名的不由分数决定,而由证据覆盖率决定

在另一组 330 家商家的评估中,论文用确定性规则打分、不设人工评分者。结果显示了一个反直觉的结论:决定谁有资格被排名的不是得分,而是证据覆盖率。

• 只有 115 家(35%)达到了可排名阈值
• 可排名商家的中位得分在 89 到 90 之间
• 四项支柱中,实质条款(material terms) 一项明显低于其他,因为只有 18 家商家的"全部费用合计"是可确定的

这组数据说明,分数高不代表信息完整——很多商家在被测项目上表现一致,真正区分它们的是"有没有把关键事实写清楚"。而总花费的模糊是系统性短板:明码标价之外的费用(运费、税费、服务费)散落在不同页面,agent 无法拼出确定答案。

证据覆盖率（evidence coverage） 指一个商家在基准的全部测量项中，能被判定为「确定」的项目所占比例。它之所以比得分更能决定能否排名，是因为得分通常按权重把各档结果折算成一个相对值，即使大部分项目是不确定或未知，只要少数被明确测到的项目得分高，总分仍可能好看。覆盖率则不作折算，它直接暴露「有多少事实根本没测到」。当覆盖率低于阈值时，意味着样本中缺失的信息太多，任何分数排序都建立在大量空白之上，不具备可比性——这正是 330 家商家评估中只有 35% 达到排名的原因。理解这一点，就能明白为什么「总花费可确定」这一项的稀疏会系统性拉低整个商家群体的覆盖率：它是购物决策中最硬的一项约束，缺了它，其他条款再完整也无法补救。

这份基准能做什么、不能做什么

论文作者的态度相当克制:试点证明了这些测量可以被执行,但并未验证其效度,也没有据此给商家排名。权重设置和预测的清算区间(clearing band)仍需与实际交易结果对照后才能确认。

这个自我限定很重要。在 agent 电商的早期阶段,容易出现的偏差是拿一套未经校准的分数当结论。而这项工作把重点放在可复现的测量方法上——如何定义"确定"、如何区分访问身份、如何把条款映射到纠纷场景下的可采性——这些比一个排名榜单更有长期价值。

对商家而言,可行动的结论已经浮现:让声明的 agent 能进来、把总花费和退款条款写成确定值、保留可追溯的证据。这三件事不需要等基准验证完成。