Constructor

Constructor jest AI-native platformą product discovery dla dużych sklepów. Clickstream, katalog i kontekst zasilają ranking search, browse, recommendations i collections optymalizowany pod KPI handlowe. Warstwa generatywna obejmuje AI Shopping Agent, Product Insights Agent oraz Merchant Intelligence Agent. Produkt ma bardzo dojrzałe API, A/B testing i merchandising controls, ale agent zakupowy głównie doradza i rekomenduje — nie jest agentem transakcyjnym — a publiczny MCP jest przede wszystkim bramą do dokumentacji/API, nie osobną warstwą bezpiecznej orkiestracji sklepu.

Constructor założyli w 2015 r. Eli Finkelshteyn i Dan McCormick, byli pracownicy Shutterstock. Od początku produkt łączył search z behavioral tracking, big data i ML, zamiast ograniczać się do keyword engine. Historia firmy

Rdzeń platformy obejmuje Search, Browse, Recommendations, Collections, Autosuggest, Quizzes, Offsite Discovery i Merchant Controls. Generatywni agenci rozszerzają discovery, lecz nie zastępują całego silnika rankingowego.

Ranking uczy się z wyświetleń, kliknięć, koszyka, zakupów i zwrotów. Łączy relevance z „attractiveness” oraz może optymalizować revenue per visitor, AOV, profit, conversion lub inny KPI. Modele uczą się offline kilka razy dziennie, a online personalizują i re-rankują. Business rules/slotting pozostają nadrzędną kontrolą. Ranking

LLM filtering/burying ogranicza nieistotne wyniki, ale nie usuwa produktów przekraczających progi purchase/add-to-cart — platforma świadomie równoważy semantyczną trafność z atrakcyjnością. Modele mogą być A/B testowane. LLM filtering

AI Shopping Agent i Product Insights Agent

AI Shopping Agent (ASA) rozumie cel w naturalnym języku, korzysta z katalogu, contentu, search/browse history, clickstreamu i wiedzy ogólnej LLM, a następnie waliduje propozycje względem danych produktów oraz personalizuje je. Rozmowa zachowuje kontekst przez thread_id. AI Shopping Agent

Product Insights Agent odpowiada na PDP na podstawie opisu/metadata, reviews, blogs i guides oraz model world knowledge. Generuje follow-up questions; sklep odpowiada za rendering. Tak szeroki kontekst pomaga w suitability, ale tworzy ryzyko, że world knowledge lub review zostanie pomylone z twardą specyfikacją. Product Insights Agent

Constructor ujawnia użycie modeli OpenAI, Gemini i AWS Bedrock (Claude/Titan/Mistral/Llama zależnie od funkcji) i klasyfikuje agentów jako „limited risk” wymagający informacji, że użytkownik rozmawia z AI. EU AI Act FAQ

Merchant Intelligence Agent odpowiada na pytania o konfigurację i wyniki oraz prowadzi krok po kroku. Publiczne docs mówią, że dopiero przyszłe wersje mają wykonywać sugerowane działania po human approval, więc obecnie nie dostaje pełnego kredytu za operacyjną agentowość.

• search, browse i autocomplete spersonalizowane pod KPI handlowe;
• recommendations, collections, bundles/kompletowanie zestawu;
• natural-language shopping dla złożonych i niejasnych intencji;
• odpowiedzi na pytania produktowe bez opuszczania PDP;
• personalizacja na podstawie zachowania, segmentu i zero-party data;
• merchandising boost/bury/slotting oraz allowlists;
• A/B testing rules i recommendation strategies;
• offsite recommendations w e-mail/SMS/push.

Zakres kontekstu i danych zależy od funkcji, planu oraz połączonych systemów.

Constructor udostępnia remote MCP pod https://docs.constructor.com/mcp. Serwer daje wyszukiwanie dokumentacji, wsparcie generowania kodu i dostęp do funkcjonalności Documentation API; nagłówki auth można przekazać zgodnie z konfiguracją klienta. Oficjalne przykłady wymieniają Cursor, Windsurf i Claude Desktop. MCP

To nie jest jasno opisany, zarządzany control plane z osobnym OAuth, granularną listą narzędzi i approval. Prywatne REST endpoints do katalogu i konfiguracji używają Basic/Bearer tokenów, a publiczne endpoints dla search/ASA są bez auth z założenia. Codex i Hermes powinny móc połączyć standardowy MCP, ale wymagają testu transportu, bezpiecznego podania tokenu, zakresu tools i wycieku sekretu przez URL/query.

Constructor publikuje bogate REST API, OpenAPI, llms.txt i open-source React UI libraries dla agentów. To mocna programowalność, choć nie daje automatycznie agentowych approvals, audit ani rollback. Docs/API · UI libraries

Dashboard ma granularne role dla katalogu, tests, attributes i konfiguracji. Allowlists mogą wymusić np. tylko in-stock items i filtrować behavioral data. Interact/Impersonate pozwala zobaczyć ranking dla zdefiniowanego anonimowego profilu. Role · Custom profiles

A/B tests porównują global search/browse rules lub recommendation strategies, mają split, MDE, significance i 90-dniowy limit. Jednocześnie dashboard pozwala uruchomić tylko jeden test każdego typu naraz, a opinie proszą o bardziej granularne testy query/device. A/B testing

Personalizacja wymaga trwałych identification parameters i event tracking. Constructor zachęca do obfuscation user IDs i detekcji PII, ale klient odpowiada za consent, poprawny event schema i cross-device identity. Brak sygnału oznacza brak personalizacji i słabszą analizę. Tracking · Identification

Ceny są quote-only, osobno dla produktów/zakresu enterprise. G2 pokazuje 4,8/5 z 57 opinii. Chwalone są mierzalny wpływ, search relevance, A/B, integrations i support. Powtarzające się słabości to premium price, bardziej złożone wdrożenie, brakujące controls/analytics, widoczność aktualizacji katalogu i początkowo słabe recommendations wymagające rules. G2

Najważniejsze ograniczenia:

• jakość polskiego search i rozmów pozostaje N/D mimo deklarowanego wsparcia języka;
• ASA rekomenduje i kieruje do PDP, ale nie jest pełnym agentem transakcyjnym;
• PIA używa world knowledge i reviews, co może wprowadzać niegrounded claims;
• MIA dziś głównie prowadzi, a wykonywanie działań jest zapowiedziane na przyszłość;
• publiczny MCP jest documentation/API bridge bez pełnych guardrails control plane;
• ranking atrakcyjności może utrzymać luźno trafny bestseller;
• jakość i pomiar zależą od clickstream/identity/catalog freshness;
• dashboard A/B ma ograniczenia współbieżności i granularności;
• cena nie jest publiczna, a implementacja jest enterprise/CSM-led.

Brak wspólnego testu jakości pozostaje podstawowym ograniczeniem oceny.

Profil zweryfikowano 2026-09-20. Linki źródłowe znajdują się bezpośrednio przy wspieranych twierdzeniach.