使用AgentCore Payments构建可为API付费的AI代理
技术背景
AI代理在执行任务时，经常需要访问外部付费服务，如风险报告、市场数据或搜索API。这些服务按请求收费，因此应用程序必须建立明确的规则，控制代理可以请求哪些购买以及由谁批准支出。传统的API密钥管理方式无法满足代理动态决策的需求，且存在安全风险。AgentCore Payments提供了有界支付会话的基础设施，而OpenAI Agents SDK允许模型请求应用程序定义的工具。这种组合实现了代理商务工作流，其中代理可以请求付费资源，但应用程序保留支付权限，确保每次购买都经过审批和审计。
核心原理
核心原理是x402支付协议，它利用HTTP 402 Payment Required响应来传达付费请求的条款。当代理请求付费资源时，商户返回一个包含金额、资产、网络、收款人和到期时间的挑战。应用程序根据预定义的策略（如批准的商户、用途、最高金额和预算）检查这些条款。如果通过，应用程序获取有界支付证明（由AgentCore Payments生成），重试请求，商户返回200和内容。整个过程由应用程序控制，模型仅提供资源URL和目的，而审批、支出限额和支付凭证在模型上下文之外。
架构分析
系统架构将四个职责分离：1) AI代理识别何时需要付费服务并调用工具；2) 应用程序检查商户、用途、金额、审批和支出限额，并记录收据和审计；3) AgentCore Payments在批准的会话限制内生成支付证明；4) 付费API验证证明并返回内容。应用程序是模型与支付基础设施之间的边界，确保模型无法直接访问支付凭证。本地模拟使用合成证明，而AWS工作流使用AgentCore Payments生成有界证明。
完整实战教程
AI代理通常需要从外部服务获取信息以完成任务。例如，采购代理可能会在制裁数据库中检查供应商，获取当前的风险报告，或使用付费搜索API。当这些服务按请求收费时，应用程序需要明确规则，规定代理可以请求哪些购买以及由谁批准支出。
代理商务描述了这样的工作流：代理可以请求付费资源，而应用程序代码保留支付权限。Amazon Bedrock AgentCore Payments为受限支付会话提供了基础设施，而OpenAI Agents SDK允许模型请求应用程序定义的工具。应用程序在支付发生前检查商户、用途、金额和审批。
本笔记本通过供应商研究示例解释了这一工作流。它涵盖了AgentCore Payments流程、x402支付交换、应用程序拥有的支出控制以及收据验证。相同的支付控制首先通过本地模拟进行说明，然后连接到AWS测试网上的AgentCore Payments。
为什么智能体需要访问付费服务
设想一个采购智能体正在审查一家虚构的供应商 Northstar Components。智能体拥有基本的供应商信息，但在向人工审核员总结潜在问题之前，它需要从付费 API 获取一份最新的风险报告。
应用程序批准该数据提供商，定义供应商研究目的，并设定报告的最高价格。它还记录了与请求关联的人工审批。当模型决定报告有用时，它会使用供应商报告 URL 和已批准的目的请求 x402_fetch 工具。
商家返回一个 HTTP 402 Payment Required 挑战，描述其支付条款。应用程序根据已批准的商家、金额、网络、到期时间和预算检查这些条款。如果请求通过，应用程序获取有界支付证明，检索报告，并记录收据和审计历史。然后智能体根据工具返回的报告和收据证据准备其答案。
架构与支付授权
系统将四个职责分离：
- AI 代理 识别何时付费服务可以帮助完成用户的请求，并调用应用程序定义的工具。
- 应用程序 在记录收据和审计历史之前，检查商户、购买目的、金额、审批和支出限额。
- AgentCore Payments 在批准的支付会话限制内生成支付证明。
- 付费 API 检查支付证明并返回请求的内容。
本地示例模拟了 AgentCore Payments 步骤。连接的 AWS 工作流使用 AgentCore Payments 生成有界证明。
应用程序是模型与支付基础设施之间的边界。模型接收资源 URL 和研究目的，而审批记录、支出限额、支付凭证和审计状态则在其控制之外。
*应用控制审批和支出，而 AgentCore Payments 为连接的 AWS 工作流提供有界的支付会话。*
1. 设置供应商研究示例
该示例需要 Python 3.11 至 3.13 和 uv。请遵循 README.md 中的仓库根目录 Jupyter 命令，以便笔记本能够加载其包并显示架构图。
第一部分使用脚本化模型、模拟商户和合成支付证明。此设置允许您检查相同的请求、批准、收据和审计序列，而无需配置 AWS 凭证或转移资金。最后一部分展示了真实 Amazon Bedrock 模型和 AgentCore Payments 测试网资源如何进入工作流。
以下单元格定位示例包，并使其应用程序、商户和策略模块可用于笔记本。
import sys
from pathlib import Path
cwd = Path.cwd().resolve()
candidates = [
cwd,
cwd / "examples/partners/AWS/controlled_agentic_commerce_with_agentcore_payments",
*cwd.parents,
]
ROOT = next(
(path for path in candidates if (path / "src/agentic_commerce").is_dir()),
None,
)
if ROOT is None:
raise FileNotFoundError("Run this notebook from its example directory.")
sys.path.insert(0, str(ROOT / "src"))
print(f"Example root: {ROOT}")
2. 定义供应商请求和支出限额
应用程序需要在模型请求工具之前建立其支付规则。在此示例中，供应商报告的费用为 0.25 个合成 USDC。应用程序还定义了批准的商户、允许的研究目的、本次购买的最高金额以及代理运行可用的总预算。
ApprovalGrant 将购买与特定的请求 ID 和资源 URL 绑定。其有效期限制了该授权的有效时长。模型从不提供或更改这些值；它们由应用程序代码在创建工具时提供。
from datetime import UTC, datetime, timedelta
from decimal import Decimal
from agentic_commerce.demo import build_demo
from agentic_commerce.merchant import RESOURCE_URL
from agentic_commerce.models import ApprovalGrant
now = datetime.now(UTC)
application, merchant, local_payments = build_demo(now)
approval = ApprovalGrant(
approval_id="approval-cookbook-001",
request_id="request-cookbook-001",
resource_url=RESOURCE_URL,
purpose="supplier_due_diligence",
maximum_amount=Decimal("0.25"),
approved_by="synthetic-cookbook-reviewer",
approved_at=now,
expires_at=now + timedelta(minutes=10),
)
{
"approved_merchant": str(RESOURCE_URL),
"purpose": approval.purpose,
"approved_amount": str(approval.maximum_amount),
"run_budget": str(application.policy.policy.per_run_limit),
"currency": approval.currency,
"approval_expires_at": approval.expires_at.isoformat(),
}
3. 为已批准的购买定义代理工具
x402_fetch 函数是代理可用的唯一与支付相关的工具。模型可以提供资源 URL 和业务目的，但应用程序提供请求 ID、幂等键、支出策略和批准授权。
在开始购买之前，该工具会消耗一次性能力。该检查可防止模型在同一代理运行期间发出多个经济请求。然后，application.purchase 在生成收据之前验证商家和支付挑战。
AgentPurchaseEvidence 仅返回模型准备回答所需的报告和收据字段。钱包材料、支付证明头和完整的应用程序审计跟踪不包含在模型上下文中。
from threading import Lock
from agents import Agent, ModelSettings, function_tool
from openai.types.shared import Reasoning
from agentic_commerce.agent import PurchaseResultRecorder, SupplierResearchOutput
from agentic_commerce.errors import AgentResultInvalid
from agentic_commerce.learning_model import ScriptedCommerceLearningModel
from agentic_commerce.models import AgentPurchaseEvidence, PurchaseRequest
recorder = PurchaseResultRecorder()
model = ScriptedCommerceLearningModel()
tool_capability = {"used": False}
tool_lock = Lock()
@function_tool
def x402_fetch(resource_url: str, purpose: str) -> str:
"""Fetch one paid resource using application-owned approval."""
with tool_lock:
if tool_capability["used"]:
raise AgentResultInvalid(
"access_count_invalid",
"The economic tool permits exactly one invocation.",
)
tool_capability["used"] = True
purchase = application.purchase(
PurchaseRequest(
request_id="request-cookbook-001",
resource_url=resource_url,
purpose=purpose,
idempotency_key="purchase-cookbook-001",
),
approval=approval,
)
recorder.record(purchase)
return AgentPurchaseEvidence(
status=purchase.status,
report=purchase.report,
receipt_id=purchase.receipt.receipt_id,
amount=purchase.receipt.amount,
currency=purchase.receipt.currency,
requires_human_approval=purchase.authorization.requires_human_approval,
).model_dump_json()
agent = Agent(
name="Supplier research agent",
model=model,
model_settings=ModelSettings(reasoning=Reasoning(effort="low"), store=False),
output_type=SupplierResearchOutput,
tools=[x402_fetch],
instructions=(
"Call x402_fetch exactly once for the approved supplier report. "
"Return only the typed summary supported by its receipt."
),
)
{"agent": agent.name, "tools": [tool.name for tool in agent.tools]}
4. 运行 x402 支付工作流
x402 使用 HTTP 402 Payment Required 响应来传达付费请求的条款。当应用首次请求供应商报告时，商户会返回一个包含金额、资产、网络、收款人和到期时间的挑战。
应用会根据其批准的策略检查这些条款。如果商户、价格、请求目的和人工批准均有效，AgentCore Payments 会在连接的 AWS 工作流中创建一个有界证明。本地示例使用合成证明来演示相同的顺序。应用使用该证明重试请求，商户返回 HTTP 200 和供应商报告。
*商家的402响应提供了支付条款。应用审批发生在请求支付证明之前。*
Runner.run 执行 Agents SDK 循环。脚本化模型在第一次轮次时请求 x402_fetch，并在工具返回后准备类型化的供应商摘要。应用将该摘要与实际记录的购买进行核对。
from agents import RunConfig, Runner
from agentic_commerce.agent import (
DEFAULT_PROMPT,
SupplierResearchRun,
validate_supplier_research_output,
)
result = await Runner.run(
agent,
DEFAULT_PROMPT,
max_turns=4,
run_config=RunConfig(
tracing_disabled=True,
workflow_name="Synthetic Agentic Commerce",
),
)
purchase = validate_supplier_research_output(result.final_output, recorder)
run = SupplierResearchRun(output=result.final_output, purchase=purchase)
{
"model_turns": model.model_turns,
"tool_calls": model.requested_tools,
"merchant_requests": merchant.request_count,
"synthetic_charges": local_payments.charge_count,
"model_inference_calls": 0,
"aws_calls": 0,
"value_transferred": False,
}
直接使用 Responses API
OpenAI Agents SDK 协调了前面示例中的工具循环，但支付工作流并不需要该编排层。Responses API 可以将 x402_fetch 暴露为一个函数，返回模型提出的参数，并在应用程序处理购买后接受 function_call_output。
应用程序在付款前仍会检查商家、用途、审批和支出限额。AgentCore Payments 仍负责在连接的 AWS 工作流中生成有界证明。下面的示例使用与本地演练相同的模拟商家和支付处理器。
此替代方案调用真实的 Bedrock 托管的 GPT-5.6 Sol 模型，因此仅在设置 ALLOW_PAID_INFERENCE=1 并配置有效 AWS 凭证时运行。它不会启用实时支付或转移资金。
import json
import os
from openai import OpenAI
from openai.providers import bedrock
responses_tool = {
"type": "function",
"name": "x402_fetch",
"description": "Fetch one approved supplier report.",
"parameters": {
"type": "object",
"properties": {
"resource_url": {"type": "string"},
"purpose": {"type": "string"},
},
"required": ["resource_url", "purpose"],
"additionalProperties": False,
},
"strict": True,
}
responses_result = {
"result": "SKIPPED",
"reason": "Set ALLOW_PAID_INFERENCE=1 to call the Bedrock model.",
"model_calls": 0,
"live_payment_calls": 0,
}
if os.environ.get("ALLOW_PAID_INFERENCE") == "1":
responses_client = OpenAI(
provider=bedrock(
region=os.environ.get("AWS_REGION", "us-east-2"),
profile=os.environ.get("BEDROCK_AWS_PROFILE") or None,
api_key=None,
)
)
prompt = (
f"Call x402_fetch for {RESOURCE_URL} with purpose "
"supplier_due_diligence. After the tool returns, provide JSON "
"containing supplier, receipt_id, amount, and currency."
)
first_response = responses_client.responses.create(
model="openai.gpt-5.6-sol",
input=prompt,
tools=[responses_tool],
tool_choice={"type": "function", "name": "x402_fetch"},
parallel_tool_calls=False,
reasoning={"effort": "low"},
max_output_tokens=128,
store=False,
)
requested_tools = [
item for item in first_response.output if item.type == "function_call"
]
if len(requested_tools) != 1 or requested_tools[0].name != "x402_fetch":
raise AgentResultInvalid(
"access_count_invalid", "Expected exactly one x402_fetch request."
)
arguments = json.loads(requested_tools[0].arguments)
responses_now = datetime.now(UTC)
responses_application, responses_merchant, responses_payments = build_demo(
responses_now
)
responses_request_id = "request-responses-cookbook-001"
responses_approval = approval.model_copy(
update={
"approval_id": "approval-responses-cookbook-001",
"request_id": responses_request_id,
"approved_at": responses_now,
"expires_at": responses_now + timedelta(minutes=10),
}
)
responses_purchase = responses_application.purchase(
PurchaseRequest(
request_id=responses_request_id,
resource_url=arguments["resource_url"],
purpose=arguments["purpose"],
idempotency_key="purchase-responses-cookbook-001",
),
approval=responses_approval,
)
responses_evidence = AgentPurchaseEvidence(
status=responses_purchase.status,
report=responses_purchase.report,
receipt_id=responses_purchase.receipt.receipt_id,
amount=responses_purchase.receipt.amount,
currency=responses_purchase.receipt.currency,
requires_human_approval=(
responses_purchase.authorization.requires_human_approval
),
)
response_input = [
{"role": "user", "content": prompt},
*(
item.model_dump(mode="json", exclude_none=True)
for item in first_response.output
),
{
"type": "function_call_output",
"call_id": requested_tools[0].call_id,
"output": responses_evidence.model_dump_json(),
},
]
final_response = responses_client.responses.create(
model="openai.gpt-5.6-sol",
input=response_input,
tools=[responses_tool],
tool_choice="none",
parallel_tool_calls=False,
reasoning={"effort": "low"},
max_output_tokens=256,
store=False,
)
final_output = json.loads(final_response.output_text)
expected_output = {
"supplier": responses_purchase.report.supplier,
"receipt_id": responses_purchase.receipt.receipt_id,
"amount": str(responses_purchase.receipt.amount),
"currency": responses_purchase.receipt.currency,
}
if any(final_output.get(key) != value for key, value in expected_output.items()):
raise AgentResultInvalid(
"agent_output_mismatch", "The model response did not match its receipt."
)
responses_result = {
"result": "PASSED",
"responses_api_calls": 2,
"tool_calls": [requested_tools[0].name],
"merchant_requests": responses_merchant.request_count,
"synthetic_charges": responses_payments.charge_count,
"receipt_verified": True,
"live_payment_calls": 0,
"value_transferred": False,
}
responses_result
5. 验证供应商报告、收据和审计历史
模型返回结构化的供应商摘要，但有效的模式仅确保响应具有预期的形状。应用程序仍需检查所报告的收据、金额、货币和供应商详细信息是否与已完成的工具请求匹配。
第一个单元格将代理提议的结果与应用程序拥有的收据进行比较。第二个单元格显示从初始资源请求到授权、支付证明创建、商家重试和返回内容的审计序列。
proposal = run.output.model_dump(mode="json")
receipt = run.purchase.receipt.model_dump(mode="json")
{
"typed_agent_proposal": proposal,
"application_receipt": {
"receipt_id": receipt["receipt_id"],
"amount": receipt["amount"],
"currency": receipt["currency"],
"network": receipt["network"],
"reused": receipt["reused"],
},
}
[
{
"sequence": event.sequence,
"event_type": event.event_type.value,
}
for event in run.purchase.audit_events
]
6. 检查被拒绝的购买和伪造的收据
一个有用的支付示例应该展示当其控制措施拒绝请求时会发生什么。第一次检查提交了另一个供应商报告请求，但没有所需的人工审批。应用程序可以检查商家的挑战，但必须在创建另一个支付证明或收费之前拒绝该购买。
在请求被拒绝后，现有的合成收费计数应保持不变。
from agentic_commerce.errors import PolicyDenied
blocked_request = PurchaseRequest(
request_id="request-cookbook-002",
resource_url=RESOURCE_URL,
purpose="supplier_due_diligence",
idempotency_key="purchase-cookbook-002",
)
try:
application.purchase(blocked_request, approval=None)
except PolicyDenied as exc:
blocked_result = {
"status": "DENIED",
"reason": exc.code,
"synthetic_charges": local_payments.charge_count,
}
else:
raise AssertionError("Unapproved purchase unexpectedly succeeded")
blocked_result
第二个检查在原本有效的供应商摘要中更改了收据标识符。输出验证器将该响应与应用程序观察到的购买进行比较，并拒绝不匹配的情况。
这两个检查覆盖了不同的边界：支付前的授权和模型响应后的证据验证。
from agentic_commerce.agent import (
PurchaseResultRecorder,
validate_supplier_research_output,
)
fabricated = run.output.model_copy(update={"receipt_id": "receipt-fabricated"})
try:
validate_supplier_research_output(
fabricated,
PurchaseResultRecorder(results=[run.purchase]),
)
except AgentResultInvalid as exc:
negative_result = {"status": "REJECTED", "code": exc.code}
else:
raise AssertionError("Fabricated output unexpectedly passed validation")
negative_result
7. 将 AgentCore Payments 连接到 AWS 测试网
所连接的供应商研究工作流使用 Bedrock 托管的 OpenAI 模型、AgentCore Payments 以及 Base Sepolia 上经过批准的 x402 商户。该应用程序保持了与本地模拟中演示的相同的商户策略、支出审批、请求身份和收据检查。AgentCore Payments 会创建一个具有自身最大支出限额的短期会话。
*本地模拟和 AWS 测试网工作流共享相同的应用控制。AgentCore Payments 在连接的环境中提供有界支付会话。*
在启用 AWS 路径之前，操作员在笔记本之外配置支付管理器、连接器、工具和精确钱包签名权限。模型推理、会话管理和支付执行使用不同的职责。README.md 描述了设置、支持的配置、低于预算的拒绝检查以及清理过程。
此笔记本不使用 AgentCore Runtime。笔记本进程仍然是应用程序运行时，并且除非操作员明确启用，否则所有实时支付网关均被禁用。
在网络调用前检查测试网就绪状态
就绪检查在不联系 AWS、模型、商家或钱包的情况下检查本地配置。它确认所需的支付选择加入项已存在，AWS 角色已分离，会话预算有限，并且本地状态文件中没有记录支付会话。
该检查还会拒绝与商家连接的 DNS 和 TLS 保护不兼容的代理设置。使用默认配置时，预期结果为 NOT_READY，因为实时支付网关已禁用。
from agentic_commerce.agentcore_e2e import (
readiness_report,
run_managed_e2e,
)
agentcore_readiness = readiness_report()
agentcore_readiness
检查支付工具和网络
当显式启用 ALLOW_AGENTCORE_READ_ONLY=1 时，应用程序可以检查配置的支付工具，而无需创建支付会话。该工具必须处于 ACTIVE 状态，使用 ETHEREUM 钱包网络，并报告精确的 BASE_SEPOLIA 和 USDC 余额范围。
缺少门控返回 SKIPPED。网络或资产不匹配返回 NOT_READY。这些检查不会暴露余额金额、生成支付证明、联系商家或转移价值。
from agentic_commerce.agentcore_infrastructure import (
inspect_payment_instrument,
)
agentcore_infrastructure = inspect_payment_instrument()
agentcore_infrastructure
运行一次已批准的测试网交易
操作员只有在检查了已批准的商户、收款方、资产、金额、钱包和短期会话配置后，才能启用受管理的测试网运行。该工作流要求所有五个显式门控：RUN_AGENTCORE_E2E、ALLOW_AGENTCORE_SESSION_ADMIN、ALLOW_PAID_INFERENCE、ALLOW_AGENTCORE_TESTNET 和 APPROVE_AGENTCORE_TESTNET_PURCHASE。
组合执行路径在开始模型推理或支付活动之前再次检查这些门控。它创建一个有界会话，通过应用程序策略发送代理请求，请求 AgentCore 支付证明，并重试一次已批准的商户。
会话创建是串行化的。如果本地会话持久化失败，应用程序会尝试补偿性清理。成功或失败的受管理运行也会在 finally 中尝试删除会话。如果清理失败，操作员必须在开始另一次运行之前遵循 README.md 中的恢复程序。
使用默认笔记本配置，单元格返回 SKIPPED 并且不执行任何实时操作。
import json
agentcore_e2e_result = await run_managed_e2e()
if agentcore_e2e_result["result"] not in {"PASSED", "SKIPPED"}:
print(json.dumps(agentcore_e2e_result, indent=2, sort_keys=True))
raise RuntimeError(
"Managed AgentCore test did not complete safely; review the "
"sanitized report before any rerun."
)
agentcore_e2e_result
解读支付与结算证据
托管结果记录了模型是否完成了其工具调用、AgentCore Payments 是否生成了支付证明、商户是否返回了 HTTP 200，以及临时会话是否被删除。应用程序对原始 HTTP 响应字节进行哈希处理，并在报告中排除提供商凭据、支付头和内部标识符。
商户接受表明已支付的请求已完成。独立的结算和交易最终性需要单独的证据。因此，该示例报告 settlement_verified=false。
if agentcore_e2e_result["result"] == "PASSED":
assert agentcore_e2e_result["model_run_completed"] is True
assert agentcore_e2e_result["agentcore_payment_path_completed"] is True
assert agentcore_e2e_result["merchant_paid_retry_completed"] is True
assert agentcore_e2e_result["status_code"] == 200
assert agentcore_e2e_result["payment_attempts"] == 1
assert agentcore_e2e_result["session_cleanup"] == "DELETED"
assert agentcore_e2e_result["identifiers_logged"] is False
assert agentcore_e2e_result["settlement_verified"] is False
{
"result": agentcore_e2e_result["result"],
"session_cleanup": agentcore_e2e_result.get("session_cleanup", "NOT_CREATED"),
"settlement_verified": agentcore_e2e_result.get("settlement_verified", False),
"interpretation": (
"Combined testnet path completed; settlement still needs separate evidence."
if agentcore_e2e_result["result"] == "PASSED"
else "Live path was not enabled; no testnet transaction was attempted."
),
}
可选的 CloudWatch 生命周期证据
此公开笔记本不包含 CloudWatch 截图。如需经过审查的实时运行，请在运行前配置 AgentCore Payments 日志交付，并仅将 CloudWatch 用作经过清理的生命周期证据。不要共享账户 ID、请求 ID、钱包数据、支付标识符或证明头。
生命周期事件有助于确认会话创建、支付处理和会话删除。它们不能独立证明支付金额、区块链结算、交易最终性或生产就绪性。
将支付工作流应用于其他服务
相同的结构可以支持其他付费数据源，包括高级搜索、制裁筛查、市场数据或供应商验证。每个集成都应定义其批准的商户、允许的用途、最大金额、审批要求以及会话时长，之后代理才能请求购买。
模型会选择付费工具何时可能有助于完成用户的任务。应用程序代码决定该请求是否被授权，记录由此产生的交易证据，并根据实际工具结果检查模型的最终响应。当工作流连接到批准的 AWS 测试网会话时，AgentCore Payments 提供了额外的支出边界。
参考资料
- OpenAI Agents SDK
- 通过 Amazon Bedrock 使用 OpenAI 模型
- AWS 公告：可交易的智能体
- AgentCore Payments 的工作原理
- AgentCore Payments 前提条件
- 创建有界支付会话
- 分离支付 IAM 角色
常见问题
常见错误包括：1) 未设置ALLOW_PAID_INFERENCE导致模型调用被跳过；2) 未配置AWS凭证导致AgentCore连接失败；3) 代理多次调用工具，违反一次性能力检查；4) 模型输出与收据不匹配，导致验证失败。排查方法：检查环境变量、使用readiness_report检查配置、查看审计事件序列。生产环境优化：使用CloudWatch监控生命周期事件，确保会话清理，分离IAM角色，并定期审计支付记录。
企业应用扩展
该工作流可应用于其他付费数据源，如高级搜索、制裁筛查、市场数据或供应商验证。每个集成需定义批准的商户、允许的用途、最大金额、审批要求和会话时长。模型选择工具，应用程序决定授权，AgentCore Payments提供支出边界。未来可扩展至多商户聚合、动态定价策略、更细粒度的审批流程，以及与其他支付协议（如Stripe）的集成。
总结
本文深入探讨了如何为AI代理构建安全的付费API访问机制，重点介绍了Amazon Bedrock AgentCore Payments与OpenAI Agents SDK的集成。通过一个供应商研究示例，详细阐述了x402支付协议、应用程序控制的支出审批流程、收据验证以及审计追踪。文章提供了完整的代码实现，包括本地模拟和AWS测试网连接，并强调了模型、应用程序、支付基础设施和商户之间的职责分离。读者将学习如何设置支付策略、定义代理工具、处理支付挑战，以及如何验证交易和防止滥用。
- --
内容来源与验证
- 内容等级：PREMIUM_A
- 质量等级：S_CANDIDATE
- 难度：高级
- 验证等级：V1
- 原文作者：deepakjain108, sidrampally-oai
- 原文日期：2026-08-13
- 来源许可：MIT
- 来源版本：
f4bdcf4d637038844b3cefea34194192346bc7f8 - 查看原文
站内还有更多完整实战教程
加入会员，解锁全部教程、完整代码与持续更新内容。
加入会员