研究称目标模糊且查询受限时AI购物代理易受营销诱导
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把商品属性藏进工具调用
这项研究搭建了一个名为 Tool-Lab 的实验环境，它改造了传统的信息板过程追踪方法。在经典的信息板范式里，受试者主动翻看被遮盖的商品属性卡片；Tool-Lab 把这一动作换成让 AI 智能体发起有代价的工具调用，商品属性因此被放在一次次的调用之后。研究者借此观察 AI 购物代理在做出选择之前，究竟按什么顺序、以多大代价去获取信息。实验覆盖三家供应商提供的八款已商用大语言模型，追踪的是选择发生前的信息获取轨迹，而不是只看最终选了什么。这种设计把「看什么」和「花多少成本去看」分开，使信息搜寻本身成为可测量的环节，也让定价线索是否影响决策有了可对照的观察窗口。
零成本时线索难起作用
在获取信息不产生任何成本的条件下，研究观察到定价线索很少能把模型带偏。所谓定价线索，指的是略低于整数位的标价方式以及促销性质的表述框架。当模型可以自由、无代价地调取全部属性时，它倾向于把计算单位价格所需的诊断性属性纳入考量，从而做出接近最优的选择。这一结果说明，模型本身并非天然会被营销话术牵着走；在信息通道畅通、目标明确的情形下，它具备完成比价计算的能力。研究把这一状态作为基准，用来对照后续加入约束后出现的变化，因此零成本组的意义不在于证明模型聪明，而在于提供一个可比较的起点。
加成本配模糊目标出偏差
当工具调用被设定为需要付出成本，并且给模型的指令是模糊目标时，情况发生转变。模型会跳过那些计算单位价格所必需的诊断性属性，转而依据更容易获得的线索做判断，最终选出的方案与人类常用的启发式决策相似，偏离了最优解。研究把这种在约束下由模糊目标引发的现象称为经由搜寻中介的脆弱性。作为对照，具体明确的目标指令大体上仍能保住诊断性搜寻和选择的最优性。两者的差别不在模型版本，而在提示词给出的目标清晰度与信息获取代价的组合。换言之，同样的模型，换个问法、换个收费方式，结果就可能不同。
责任落在信息架构上
研究给出的判断是，委托式 AI 购物中出现的营销启发式效应，由店铺的信息架构所支配，而不必然是模型自身不可更改的缺陷。属性被放在多贵的调用之后、目标被描述得多含糊，都会改变模型搜寻什么、放弃什么。对读者而言，这意味着当把购买决策交给 AI 代理时，结果取决于平台如何布置信息与如何设定调用成本，而不只取决于选了哪款模型。适用范围限于所测试的八款商用模型与 Tool-Lab 这一实验设定，结论指向的是信息架构与提示方式的作用，而非对某款产品的评价。
为什么值得看
揭示AI购物代理在模糊指令与查询成本下会重蹈人类非理性消费覆辙，对设计健壮的AI电商系统具指导意义。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。