【ITニュース解説】Four open-source tools for AI in e-commerce, and what building them taught me

ECサイトは現代のビジネスにおいて不可欠な存在であり、その競争力を高めるために人工知能（AI）の活用が急速に進んでいる。しかし、AIをECサイトに導入する際には、その性能評価、安全性、専門知識の付与、そして言語の多様性への対応といった様々な技術的課題が伴う。本稿では、AIをECサイトに効果的かつ安全に導入するために開発された四つのオープンソースツールに焦点を当て、それぞれの目的、解決する課題、そして背後にある設計思想について詳しく解説する。これらのツールは、実際のプロジェクトで直面した具体的なニーズから生まれたものであり、システムエンジニアを目指す初心者にとっても、AI活用の現実的な側面を理解する上で貴重な学びとなるだろう。

ECサイトの検索機能は、顧客体験と売上に直結する重要な要素だ。キーワードベースからベクトル検索への移行、新しい再ランキング手法の導入、クエリの書き換え、類義語の追加など、多くの改善が継続的に行われる。これらの変更が実際に検索結果を向上させたかどうかを評価するためには、厳密なテストが不可欠だ。従来の評価方法では、一般的に50件程度のクエリを実行し、nDCG（正規化割引累積ゲイン）という指標で比較することが多い。しかし、この方法にはいくつかの問題点がある。まず、評価に使う「正解ラベル」（どの商品が検索結果として適切かを示すデータ）が時間とともに古くなる。古いシステムのために作られたラベルでは、新しい検索システムが発見した関連性の高い商品を適切に評価できず、かえって性能が悪く見えることがある。次に、50件のクエリで2%程度の小さな性能向上が見られても、それが単なる偶然である可能性が高い。統計的に有意な差とは言えない場合があるのだ。さらに、最近では大規模言語モデル（LLM）を使って検索結果のギャップを埋める評価手法も登場しているが、LLMの一つの判断が常に正しいとは限らず、人間の判断との整合性を確認する必要がある。

llm-search-evalはこれらの課題を解決するために設計された。このツールは、各評価実行ごとに独自のラベルプールを構築する。まず既存の人間の正解ラベルを使用し、不足している部分だけをLLMの判断で補完する。そして、すべての検索システムをこの統一されたラベルプールで評価するのだ。これにより、新しいシステムが発掘した未ラベルの商品も適切に評価できるようになる。また、複数の評価者を設定し、評価者間の意見の一致度を統計的に分析する指標（コーエンのカッパ、フリースのカッパ、クリッペンドルフのアルファなど）も提供する。各比較には、ペア化ランダム化テストやブートストラップ信頼区間といった高度な統計手法が適用され、評価結果の信頼性が高まる。さらに、A/Bテストのような比較評価では、表示順序による偏りを排除するため、両方の順序で評価を実行する機能も備えている。開発チームに特に好評なのは、実行前にLLMへの問い合わせ回数、消費トークン数、コストを予測する「見積もりコマンド」だ。これにより、予算を超過する前に実行を停止できる。GitHub Actionsと連携すれば、検索ランキングが低下した場合にプルリクエストのチェックを自動的に失敗させることも可能だ。このツールはランタイム依存関係がなく、OpenAI互換のエンドポイントやローカルモデルでも動作するため、柔軟に利用できる。

AIエージェントをECサイトに導入する際、単にAPIを呼び出す機能を与えるだけでなく、その操作がサイトに与える影響をいかに安全に管理するかが重要な課題となる。AIエージェントが誤った判断を下した場合、本番のECサイトに予期せぬ損害を与えるリスクがあるからだ。

woocommerce-mcp（Model Context Protocol）は、この「AIエージェントが間違った場合、どうなるか」という問いに答えるためのプロトコルとツール群を提供する。主な安全策は以下の通りだ。第一に、ECサイトはデフォルトで読み取り専用として扱われる。AIエージェントがデータを変更する「書き込みツール」を使用するには、明示的な許可が必要となる。第二に、書き込みツールが呼び出されると、まず実際に実行されるRESTリクエストのプレビューが表示される。AIエージェントは、このプレビューを確認し、「confirm: true」という指示を伴ってツールを再度呼び出すことで初めて、変更が適用される仕組みだ。これにより、AIが意図しない操作を実行しようとした場合でも、最終的な実行前に人間の介入やシステムによる確認の機会が与えられる。第三に、書き込み操作の試みは、実行されたか否かにかかわらず、すべて監査ログとして記録される。これにより、AIエージェントの行動履歴を追跡し、問題発生時の原因究明や将来の改善に役立てることが可能だ。第四に、顧客データの匿名化機能や、特定のツール（例：「delete_*」のような削除機能）の使用をパターンマッチングで拒否する機能も備わっている。このプロトコルは、商品カタログの検索、注文管理、配送追跡、返金処理、一括価格・在庫変更、クーポン発行、顧客セグメント管理、配送・税金設定、ウェブフック、売上分析など、47もの広範なツールをカバーしている。プレビューと確認のループは、一回の余分なAPI呼び出しを要するが、ECサイトの運営者が最も重要視する安全機能であることが、開発を通じて得られた教訓だ。

AIエージェントがコードを書く能力は向上しているが、ECサイト開発に特有の複雑さやベストプラクティスを完全に理解しているわけではない。例えば、べき等なウェブフックの設計（同じリクエストが複数回送信されても一度しか処理されないようにする）、元の通貨単位と一致しない返金処理の回避、倉庫間の在庫連携を考慮しない過剰販売の防止、アクセシブルでない商品ページの作成など、経験豊富なECエンジニアなら絶対に避けられないミスをAIエージェントが犯す可能性がある。

commerce-agent-skillsは、このようなECドメイン固有の専門知識や常識をAIエージェントに教え込むためのライブラリだ。これは、単なる構文の知識ではなく、ビジネスロジック、品質基準、セキュリティといった深い理解を目的としている。ライブラリ内の「スキル」は、プレーンなMarkdown形式で記述されており、それぞれにルール、参照ノート、注意すべき点（gotchas）、検証チェックリスト、そして評価用のフィクスチャ（テストデータ）が含まれている。スキルがカバーするトピックは多岐にわたる。例えば、Stripeや特定の地域の決済ゲートウェイに関する知識、返品・返金処理、複数の倉庫にまたがる在庫管理、B2B（企業間取引）の価格設定、カタログ移行、WCAG 2.2（ウェブコンテンツアクセシビリティガイドライン）に準拠したアクセシビリティ、Core Web Vitals（ウェブサイトのユーザー体験評価指標）、WooCommerceやShopifyといった主要なECプラットフォームでの開発、そしてMCPストアツールに関する専門知識などが含まれる。これらのスキルはツールに依存せず、.agents/skills/ディレクトリ内のファイルとして任意のAIエージェントが読み取れる。また、Hugging Faceのデータセットとしても公開されており、AIエージェントの学習や評価に活用できる。小さな評価ツールを使えば、スキルの変更がAIエージェントの回答にどのような影響を与えるかを客観的に測定できるため、改善がより確実なものとなる。

情報検索と生成において、言語の特性を適切に考慮することは極めて重要だ。特にペルシャ語のような、一般的な情報処理パイプラインでは見過ごされがちな複雑な特性を持つ言語の場合、ナイーブなアプローチでは静かに、しかし確実に誤りが生じる。例えば、アラビア語とペルシャ語の「Yeh」と「Kaf」の文字は見た目は同じだが、異なるUnicodeコードポイントを持つ。半角スペースの有無が流動的であったり、一つの文書に複数の数字表記システムが混在したりすることも珍しくない。PDFファイルでは、ペルシャ語のテキストが逆順で格納されていることすらある。さらに、一般的な単語には複数の許容されるスペルが存在する場合がある。

persian-ragは、これらのペルシャ語特有の問題に最初に対処し、その上で一般的なRAG（Retrieval-Augmented Generation：検索拡張生成）ツールキットを提供する。RAGとは、質問応答システムなどで、大規模言語モデルが回答を生成する際に、外部の知識ベースから関連情報を検索し、その情報を基に回答を生成する技術だ。これにより、AIが「知らないこと」をでっち上げたり（ハルシネーション）、古い情報に基づいて回答したりするのを防ぎ、より正確で信頼性の高い情報を生成できる。persian-ragが提供する機能は、データローダー、テキストのチャンキング（小さな塊に分割する処理）、BM25（キーワードマッチングによる検索）と密集検索（意味的類似度による検索）を組み合わせたランク融合、スペルバリアントに対応したクエリ書き換えツール、検索結果の再ランキング、引用元が明確な回答生成、チャット履歴管理、そして評価機能などだ。これらはFastAPIサーバーやDockerイメージとしても提供され、容易に導入できる。このツールのコアインストールは純粋なPythonで、外部依存関係がほとんどないため、手軽に利用できる点も特徴だ。小さなベンチマークテストでは、スペルミスのあるクエリに対するBM25のHit@1（最も関連性の高い結果が一番上に出る確率）を、0.58から0.83へと大幅に向上させる効果が示されている。これは、言語特有の課題に対応することの重要性を示すものだ。

これら四つのオープンソースツールは、それぞれ異なる課題を解決するために開発されたが、共通していくつかの優れた開発習慣に基づいている。各プロジェクトには詳細なドキュメントサイトがあり、変更があるたびに継続的インテグレーション（CI）が実行されることでコード品質が保たれる。PyPI、npm、GHCR、Docker Hubといった主要なパッケージレジストリやMCPレジストリへの自動的なタグ付きリリースが行われ、利用者が常に最新版を手に入れやすい。GitLabミラーも提供されており、GitHub以外のプラットフォームでの利用も考慮されている。そして何よりも、READMEファイルに各ツールの限界や未完成な点が正直に記載されており、開発者がその特性を正確に理解できるよう配慮されている。これらのツールは、AI技術をECサイトという具体的なビジネス領域で活用する際に直面する現実的な課題を解決するために生まれたものだ。検索評価の客観性、AIエージェントの安全性、ドメイン知識の付与、そして言語の多様性への対応といったテーマは、システムエンジニアを目指す者にとって、AIシステムを設計・開発する上で考慮すべき重要なポイントとなる。これらのオープンソースプロジェクトは、AIとビジネスの交差点でどのような工夫がなされているのか、その実践的な側面を学ぶための良い教材となるだろう。