Shopping by algorithm: How agentic AI deploys human heuristics as a surrogate consumer

📄 arXiv: 2609.28372v1 📥 PDF

作者: Davood Wadi, Yu Ma

分类: econ.GN, cs.AI

发布日期: 2026-09-23

💡 一句话要点

提出Tool-Lab以优化AI购物代理的决策过程

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 AI购物代理 信息获取 决策优化 营销启发式

📋 核心要点

  1. 现有方法在AI购物中面临的挑战是，LLMs在模糊目标下的决策往往不够准确，容易导致次优选择。
  2. 论文提出的核心思路是通过Tool-Lab方法，分析定价线索如何影响LLMs的决策过程，特别是在施加获取成本时的表现。
  3. 实验结果显示，在零成本条件下，定价线索的影响较小，而在模糊目标下，LLMs的决策质量显著下降，表明信息架构的重要性。

📝 摘要（中文）

消费者越来越多地将购买决策委托给作为替代消费者的语言模型（LLMs）。本文通过“Tool-Lab”这一信息板过程追踪的适应性方法，研究了营销定价线索（如接近下限定价和促销框架）如何影响AI购物代理。研究表明，在零成本条件下，定价线索很少误导决策。然而，在模糊目标提示下施加获取成本时，LLMs往往会忽略计算单位价格所需的诊断属性，导致选择次优决策，类似于人类启发式决策。相较于保持诊断搜索和选择最优性的具体目标提示，模糊目标提示在约束下会导致搜索中介脆弱性。本研究表明，委托AI购物中的营销启发式是由商店信息架构所主导，而不一定是LLM固有缺陷所致。

🔬 方法详解

问题定义：本文旨在解决在模糊目标提示下，LLMs在购物决策中可能出现的次优选择问题。现有方法未能充分考虑获取成本对决策的影响。

核心思路：通过Tool-Lab方法，研究营销定价线索对LLMs决策的影响，特别是在施加获取成本的情况下，探讨如何优化信息获取过程。

技术框架：整体架构包括信息获取阶段、决策阶段和反馈阶段。信息获取阶段通过Tool-Lab模拟获取成本，决策阶段分析定价线索的影响，反馈阶段评估决策质量。

关键创新：最重要的技术创新在于将获取成本引入信息获取过程，揭示了模糊目标提示下LLMs的脆弱性，与传统方法相比，强调了信息架构的作用。

关键设计：在Tool-Lab中，设置了不同的获取成本和目标提示，采用了特定的损失函数来评估决策质量，确保了对诊断属性的有效搜索。实验中使用了八个商业化的LLMs进行对比分析。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在零成本条件下，定价线索对LLMs的影响微乎其微，而在模糊目标提示下施加获取成本时，LLMs的决策质量显著下降，显示出搜索中介脆弱性。这一发现强调了信息架构在AI购物中的重要性。

🎯 应用场景

该研究的潜在应用领域包括电子商务、智能购物助手和个性化推荐系统。通过优化AI购物代理的决策过程，可以提高消费者的购物体验和决策效率，未来可能推动更智能的消费模式和商业策略。

📄 摘要（原文）

Consumers increasingly delegate purchasing decisions to Large Language Models (LLMs) acting as surrogate consumers. Using "Tool-Lab," an adaptation of information-board process tracing that places product attributes behind costly tool calls, we examine how marketing pricing cues (i.e., just-below pricing and promotional framing) influence AI shopping agents. Across eight commercially deployed LLMs from three providers, we trace pre-choice information acquisition. Under zero cost, pricing cues rarely mislead. Imposing acquisition costs under a vague goal prompt leads LLMs to omit diagnostic attributes required to compute unit price and choose suboptimal choices resembling human heuristics. Relative to a specific goal prompt that mainly preserves diagnostic search and choice optimality, a vague goal prompt under constraints creates a search-mediated vulnerability. This research demonstrates that marketing heuristics in delegated AI shopping are governed by storefront information architecture, not necessarily immutable LLM flaws.