AI 네이티브 애플리케이션의 물결은 쇼핑을 페이지 및 피드 기반의 브라우징을 넘어, LLM 에이전트(LLM agents)에 의해 조율되는 의도 중심의 경험으로 이동시키고 있습니다. 일반적인 설계 방식은 기존의 검색 및 추천 파이프라인 주위에 LLM을 둘러싸는 방식인데, 이는 복잡한 의도를 저대역폭의 검색(retrieval) 또는 랭킹(ranking) 인터페이스를 통해 강제로 처리하게 만들어, 언어 이해와 아이템 공간 이행(item-space fulfillment) 사이에 간극을 남깁니다. 생성형 추천(Generative recommendation)은 시맨틱 ID (SIDs)를 통해 LLM에 직접적인 아이템 공간 인터페이스를 제공하지만, 기존 모델들은 유연한 의도를 아이템 공간의 결과물로 변환하기보다는 주로 검색을 위한 후보를 생성하는 데 그칩니다. 우리는 의도 이해, 실행 계획, 그리고 유연한 SID 네이티브 아이템 공간 작업을 하나의 단일 파운데이션 모델(foundation model)로 통합함으로써 이러한 병목 현상을 해결하기 위해 ShopX를 제안합니다. 우리는 모델 지향적 액션 프로토콜(action protocol)을 정의하고 컨텍스트 접근, 카탈로그 그라운딩(catalog grounding), 상태 관리를 위한 지원 표면을 노출하는 서빙 하네스(serving harness)를 갖춘 모델 네이티브 아이템 이행 프레임워크를 통해 에이전트 기반 쇼핑 워크플로우에 ShopX를 배포합니다. 이 프레임워크 내에서 ShopX는 SID 기반 빔 서치(beam-search) 검색, 리스트와이즈 랭킹(listwise ranking), 또는 제품 번들링(product bundling)과 같은 SID 기반 아이템 공간 작업을 계획하고 구성합니다. 이러한 모델 중심 설계는 에이전트 오케스트레이션(agent orchestration)과 아이템 공간 실행 사이의 손실이 발생하는 핸드오프(lossy hand-offs)를 줄여줍니다. ShopX를 구축하기 위해, 우리는 시맨틱하게 복구 가능하고 LLM이 조작할 수 있는 SID와, 쇼핑 에이전트에게 필요한 지식 및 지시 이행 능력을 유지하면서도 유연한 멀티턴(multi-turn) 아이템 공간 이행을 수행할 수 있도록 일반 LLM을 갖추는 훈련 레시피를 설계합니다. 우리는 익명화된 Taobao 운영 로그에서 추출한 단일 및 멀티턴 이행 작업에 대해 도구 매개형 에이전트 시스템과 ShopX 프레임워크를 비교 평가하였으며, 모델 네이티브 이행이 특히 복잡하거나 모호한 요청에서 전체 프레임워크의 동작을 개선함을 보여줍니다.