🤖 AI

TimeWarp: Evaluating Web Agents by Revisiting the Past

تقدم الورقة البحثية TimeWarp، وهو معيار يقيم وكلاء الويب عبر إصدارات واجهة المستخدم المتطورة لكشف ضعفهم تجاه التغييرات في التصميم، وتقترح TimeTraj، وهي خوارزمية لتقطير المخططات تعمل على تحسين متانة الوكيل بشكل كبير من خلال التدريب على المسارات التي تم جمعها من إصدارات متعددة للويب.

المؤلفون الأصليون: Md Farhan Ishmam, Kenneth Marino

نُشر 2026-03-06

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Md Farhan Ishmam, Kenneth Marino

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تعلم خادمًا آليًا (روبوت) كيفية طلب البقالة عبر الإنترنت. تقضي أسابيع في إظهار كيفية النقر على الأزرار، وتعبئة النماذج، والبحث عن أرخص أنواع الكعك في موقع إلكتروني محدد. يصبح الروبوت أستاذًا في هذه النسخة الواحدة من الموقع.

لكن فجأة، يقرر مالك الموقع إعادة تصميم المتجر. ينقلون شريط البحث من الأعلى إلى الأسفل، ويغيرون لون زر "الشراء"، ويضيفون إعلانًا منبثقًا يحجب الشاشة. فجأة، يضيع خادمك الآلي تمامًا؛ لا يعرف أين ينقر، ولم يعد بإمكانه العثور على الكعك.

هذه هي المشكلة التي تحاول ورقة بحثية بعنوان TIMEWARP حلها.

إليك شرح مبسط لما قام به الباحثون، باستخدام بعض التشبيهات من الحياة اليومية:

١. المشكلة: فجوة "السفر عبر الزمن"

الإنترنت يشبه مدينة حية تتنفس ولا تتوقف أبدًا عن التغيير. المواقع تحصل على تصاميم جديدة، وأزرار جديدة، وميزات جديدة كل يوم.

الطريقة القديمة: معظم الباحثين يدربون وكلاء الذكاء الاصطناعي (الروبوتات) على نسخة "مجمدة" من موقع إلكتروني. الأمر يشبه تدريب سائق على خريطة لمدينة من عام ١٩٩٠ فقط؛ عندما يحاول القيادة في المدينة اليوم، يصطدم لأن الطرق قد تغيرت.
الواقع الجديد: تسأل الورقة البحثية: إذا دربنا روبوتًا اليوم، هل سيظل يعمل غدًا عندما يتغير الموقع؟

٢. الحل: معيار "آلة الزمن" (TIMEWARP)

لاختبار ذلك، بنى الباحثون ساحة اختبار خاصة تسمى TIMEWARP.

التشبيه: تخيل مستوى في لعبة فيديو يحتوي على ستة "أشكال" أو عصور مختلفة.
- العصر ١ (١٩٩٩): يبدو الموقع مثل وثيقة نصية بسيطة من بدايات الإنترنت.
- العصور ٢-٤ (السنوات ٢٠٠٠-٢٠١٠): يصبح الموقع ملونًا، ويضيف قوائم، ويغير التصميمات.
- العصور ٥-٦ (اليوم): الموقع حديث، مليء بالأيقونات، والنوافذ المنبثقة، والتصاميم المعقدة.
المهمة: أنشأوا ١,٣٨٦ مهمة مختلفة (مثل "ابحث عن وصفة" أو "اشترِ كعكة بـ ٥ دولارات") وطلبوا من الذكاء الاصطناعي حلها على جميع النسخ الست من الموقع. هذا يحاكي تطور الإنترنت على مدار ٢٥ عامًا في مختبر محكم.

٣. الاكتشاف: الروبوتات هشة

عندما اختبروا وكلاء الذكاء الاصطناي، وجدوا شيئًا مفاجئًا:

فشل مبدأ "مقاس واحد يناسب الجميع": إذا دربوا روبوتًا على نسخة عام ٢٠٢٥ من الموقع فقط، فإنه سيفشل فشلًا ذريعًا في نسخة عام ١٩٩٩. الأمر يشبه تعليم شخص قيادة سيارة فيراري ثم مطالبته بقيادة سيارة "موديل تي" (Model T)؛ فالتحكم مختلف تمامًا.
الارتباك البصري: الروبوتات التي تعتمد على "رؤية" الشاشة (مثل النظر إلى لقطة شاشة) كانت الأكثر ارتباكًا عند تغير التصميم. أما الروبوتات التي "تقرأ" الكود (النصوص) فكانت أكثر صمودًا نوعًا ما، لكنها لا تزال تعاني.

٤. الإصلاح: استراتيجية "المخطط الرئيسي" (TIMETRAJ & TIMEWARP-BC)

أدرك الباحثون أن مجرد إظهار الإجابة للروبوت ليس كافيًا؛ بل يجب أن يتعلم الروبوت كيف يفكر، وليس فقط ماذا ينقر.

لقد قدموا طريقة تدريب من خطوتين:
١. المخطط الرئيسي (إنسان + ذكاء اصطناعي): بدلاً من تسجيل كل نقرة ماوس يقوم بها الإنسان (وهو أمر ممل وصعب التقليد)، يكتب الإنسان خطة رفيعة المستوى.
* التشبيه: بدلًا من تعليم الطالب كل خطوة من خطوات مسألة رياضية، تعطي له مخطط الحل: "أولًا، ابحث عن المكونات. ثانيًا، تحقق من السعر. ثالثًا، اشترِ الأرخص".
٢. الروبوت المعلم: يأخذ ذكاء اصطناعي متطور ("المعلم") تلك الخطة رفيعة المستوى وينفذها على جميع النسخ الست من الموقع تلقائيًا.
* هو يكتشف كيفية النقر على الزر في عام ١٩٩٩، وكيفية التمرير في عام ٢٠١٠، وكيفية تجاهل النوافذ المنبثقة في عام ٢٠٢٥.
٣. الروبوت الطالب: يراقب الروبوت الطالب "المعلم". والأهم من ذلك، أنه لا يراقب النقرات فحسب، بل يراقب التفكير، والتخطيط، والذاكرة التي استخدمها المعلم لحل المشكلة.

٥. النتيجة: روبوتات فائقة المرونة

من خلال تدريب الروبوت الطالب على خطط "المعلم" عبر جميع نسخ الموقع، كانت النتائج مذهلة:

قبل التدريب: كان لبعض الروبوتات معدل نجاح ٠٪ على نسخ المواقع الجديدة.
بعد التدريب: قفزت نفس الروبوتات إلى معدل نجاح يتراوح بين ٢٧٪ إلى ٣٧٪.
السر السحري: تعلمت الروبوتات أن تكون مرنة. تعلمت أن "البحث عن شريط البحث" هو الهدف، سواء كان هذا الشريط في الأعلى، أو في الأسفل، أو مخفيًا خلف أيقونة.

لماذا يهم هذا؟

هذه الورقة البحثية هي بمثابة جرس إنذار لمطوري الذكاء الاصطناعي. فهي توضح أنه إذا أردنا للذكاء الاصطناعي أن يكون مفيدًا في العالم الحقيقي، فلا يمكننا تدريبه على لقطة ثابتة فقط. يجب أن نعلمه كيف يتكيف مع التغيير.

الخلاصة الكبرى:
بدلًا من قضاء سنوات في تسجيل كيفية نقر الإنسان على موقع إلكتروني يدويًا في كل مرة يتغير فيها التصميم، يمكننا الآن كتابة خطة ذكية واحدة وترك الذكاء الاصطناعي يكتشف كيفية تنفيذ تلك الخطة على أي نسخة من الموقع. إنه الفرق بين تعليم طالب حفظ خريطة واحدة، وبين تعليمه كيفية الملاحة باستخدام البوصلة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "TIMEWARP: تقييم وكلاء الويب من خلال استعادة الماضي".

1. بيان المشكلة

تقوم معايسات وكلاء الويب الحالية بتقييم الأداء في بيئات ويب ثابتة أو "حية". ومع ذلك، فإن الويب بطبيعته ديناميكي؛ حيث تتطور تصميمات واجهة المستخدم (UI)، والتخطيطات (layouts)، وأنما بأنماط التفاعل بسرعة كبيرة.

الفجوة: تفشل المعايسات الحالية في تقييم مدى قدرة الوكلاء على التعميم عند تغير واجهات الويب. فالوكلاء الذين تم تدريبهم على نسخة محددة من موقع إلكتروني غالباً ما يفشلون عندما يتغير تصميم ذلك الموقع (على سبيل المثال، انتقال شريط البحث من الأسفل إلى الأعلى، أو ظهور الإعلات المنبثقة).
قصور الطرق الحالية:
- البيئات المحاكية: غالباً ما تستخدم نسخاً مكررة ثابتة ومبسطة تفتقر إلى التعقيد الديناميكي للويب الحقيقي.
- معايسات الويب الحية: رغم واقعيتها، إلا أنها غير منضبطة ويصعب إعادة إنتاجها بشكل منهجي بمرور الوقت.
- قيود التدريب: يؤدي "التعلم بالتقليد السلوكي" (Behavior Cloning - BC) القياسي على مسارات نسخة واحدة إلى جعل الوكلاء يفرطون في التكيف (overfit) مع تخطيطات واجهة مستخدم محددة، مما يفتقر إلى المتانة تجاه التحولات في التوزيع الناتجة عن تطور التصميم.

2. المنهجية

يقترح المؤلفون إطار عمل شاملاً يتكون من معيار جديد (TIMEWARP) ومسار تدريب مبتكر (TIMETRAJ و TIMEWARP-BC).

أ. معيار TIMEWARP

إن TIMEWARP هو بيئة حاوية (containerized) مصممة لمحاكاة تطور الويب عبر عصور مختلفة.

البيئات: ثلاثة مجالات متميزة: Wiki (استرجاع موسوعي)، News (استرجاء المعلومات)، و Shop (تجارة إلكترونية).
الإصدارات: يتميز كل بيئة بـ 6 إصدارات متميزة (من $v_1$ $v_{1}$ إلى $v_6$ $v_{6}$ )، تمتد من عصور الإنترنت المبكرة (مثل 1998/2001) إلى التصميمات الحديثة (2023–2025) وإلى نسخة مبسطة (minimalistic).
- الاختلافات: تختلف هذه الإصدارات في بنية HTML، وتخطيطات CSS، وآليات البحث (مثل المطابقة التامة مقابل الاقتراحات المنسدلة)، ووجود "الحشو" الحديث مثل الإعلانات المنبثقة.
المهام: تحتوي مجموعة البيانات على 1,386 مهمة (231 هدفاً فريداً $\times$ 6 إصدارات). تم اختيار المهام يدوياً لتتطلب ملاحة معقدة، وتفكيراً متعدد الخطوات، وتفاعلاً عبر المواقع.
التقييم: يستخدم "النموذج اللغوي الكبير كحكم" (LLM-as-a-Judge) (وهو GPT-5) لتقييم نجاح المسار بناءً على النتيجة النهائية، مما يوفر مكافأة ثنائية (نجاح/فشل).

ب. TIMETRAJ: جمع المسارات القابل للتوسع

لمعالجة التكلفة العالية لجمع المسارات يدوياً لكل إصدار من كل مهمة، قدم المؤلفون TIMETRAJ، وهو خوارزمية لتقطير الخطط (plan-distillation):

تقطير الخطط مع تدخل بشري: يقوم نموذج مخطط (planner) بإنشاء خطط تنفيذ مسودة للمهمة. يقوم المقيّمون البشريون بتنقيح هذه الخطط على نسخة واحدة من البيئة، مع إضافة نقاط تفتيش وتفاصيل محددة. هذه الخطط المنقحة تكون غير مرتبطة بإصدار معين (version-agnostic).
عمليات التنفيذ بواسطة "المعلم": يقوم وكيل "معلم" (باستخدام نموذج قوي مثل GPT-5) بتنفيذ هذه الخطط المنقحة عبر جميع الإصدارات الستة للبيئة.
جمع البيانات: يقوم "المعلم" بإنشاء مسارات منخفضة المستوى (ملاحظات + إجراءات) لكل إصدار. يتم تصفية المسارات الناجحة وتجميعها.

الفائدة: يسمح هذا للباحثين بجمع كميات هائلة من بيانات التدريب عبر إصدارات متعددة من واجهة المستخدم بأقل جهد بشري (يتطلب الأمر تنقيح خطة واحدة فقط لكل مهمة).

ج. TIMEWARP-BC: تعزيز التعلم بالتقليد السلوكي

يقترح المؤلفون نوعاً متطوراً من التعلم بالتقليد السلوكي يستفيد من البيانات الغنية التي تم جمعها بواسطة TIMETRAJ.

التدريب على الاستجابة الكاملة: على عكس التقليد السلوكي القياسي الذي يتدرب فقط على رموز الإجراءات (action tokens)، يتدرب TIMEWARP-BC على الاستجابة الكاملة للوكيل، والتي تشمل:
- <action>: عملية المتصفح.
- <thinking>: سلسلة من التفكير (Chain-of-thought).
- <plan>: خطوات التنفيذ عالية المستوى.
- <memory>: المعلومات المستبقاة من الخطوات السابقة.
الهدف: من خلال التدريب على هذه الرموز، يتعلم الوكيل كيفية التفكير، والتخطيط، والتذكر، مما يجعله أكثر متانة تجاه المهام المعقدة ومتعددة الخطوات وتغيرات واجهة المستخدم.

3. المساهمات الرئيسية

معيار TIMEWARP: أول معيار يقيم بشكل منهجي متانة وكلاء الويب ضد تطور واجهة المستخدم من خلال توفير إصدارات حاوية لواقع المواقع الإلكترونية عبر عصور مختلفة.
خوارزمية TIMETRAJ: طريقة قابلة للتوسع لجمع مسارات عالية الجودة عبر إصدارات متعددة باستخدام تقطير الخطط، مما يحل مشكلة اختناق الجمع اليدوي للبيانات في البيئات الديناميكية.
تدريب TIMEWARP-BC: نموذج تدريبي يستخدم رموز التفكير، والتخطيط، والذاكرة لتحسين قدرة الوكيل على التعميم والمتانة بشكل كبير.
رؤى تجريبية: أظهرت الدراسة أن الوكلاء الحاليين (خاصة نماذج اللغة المرئية - VLMs) يعانون من انخفاض حاد في الأداء عند تغير واجهات المستخدم، وأن التدريب على إصدار واحد يؤدي إلى ضعف في التعميم.

4. النتائج التجريبية

قيم المؤلفون عدة نماذج مفتوحة المصدر (Qwen-3, Llama-3.1, Gemma-3) باستخدام أوضاع ملاحظة مختلفة (HTML، شجرة الوصول - Accessibility Tree، لقطات الشاشة - Screenshots، ومجموعة العلامات - Set-of-Marks).

الضعف تجاه التغيير: أظهرت نماذج اللغة المرئية (VLMs) ذات القدرة على الصفر (Zero-shot) تبايناً عالياً في الأداء عبر الإصدارات. على سبيل المثال، تراوح أداء Qwen-3 VL 8B على نظام Set-of-mals (SoM) بين 2.6% و 21.4% اعتماداً على الإصدار.
النص مقابل المرئي: أظهر الوكلاء أداءً أكثر متانة باستخدام الملاحظات النصية (HTML/AXT) مقارنة بالملاحظات المرئية (لقطات الشاشة/SoM)، مما يشير إلى أن نماذج VLMs الحالية تعاني من صعوبة في التعامل مع تغيرات التخطيط (layout shifts).
تأثير TIMEWARP-BC:
- Qwen-3 4B: تحسن من 20.4% (التقليد السلوكي لإصدار واحد) إلى 37.7% (TIMEWARP-BC).
- Llama-3.1 8B: تحسن من 0% (غير قابل للاستخدام فعلياً) إلى 27.0%.
- التعميم: النماذج المدربة على إصدارات متعددة (عبر TIMETRAJ) تعمت بشكل أفضل بكثير مع الإصدارات المحجوبة (held-out versions) مقارنة بتلك المدربة على إصدار واحد.
اختبار استئصال الرموز (Token Ablation): أدى التدريب على الاستجابة الكاملة (بما في ذلك رموز التفكير والتخطيط والذاكرة) إلى أفضل النتائج. وأدى حذف هذه الرموز إلى انخفاض الأداء، مما يؤكد ضرورة وجود رموز التفكير الصريحة للمهام الويب المعقدة.
التعلم المستمر: أدى الضبط الدقيق المتتالي البسيط (sequential fine-tuning) على إصدارات جديدة إلى حدوث نسيان كارثي (catastical forgetting)، مما يسلط الضలు على الحاجة إلى نهج التدريب متعدد الإصدارات المقترح.

5. الأهمية والأثر المستقبلي

نموذج المتانة: ينقل TIMEWARP التركيز من "حل مهمة ثابتة" إلى "حل المهام في بيئة متطورة"، وهو أمر بالغ الأهمية للنشر في العالم الحقيقي حيث يتم تحديث المواقع باستمرار.
جمع البيانات بكفاءة: تقدم طريقة TIMETRAJ حلاً قابلاً للتوسع لتوليد بيانات التدريب لوكلاء الويب المستقبليين، مما يقلل الاعتماد على المقيّمين البشريين المكلفين لكل إصدار من واجهة المستخدم.
التحول المنهجي: تدعو الورقة إلى "التقييم الواعي زمنياً" (time-aware evaluation) في الذكاء الاصطناعي، وتقترح أن المعايسات المستقبلة لأي واجهة ديناميكية (تطبيقات الهاتف، بوابات التوثيق) يجب أن تتضمن متغيرات زمنية لاختبار التعميم الحقيقي.
التطبيق العملي: تشير النتائج إلى أنه لكي يكون وكلاء الويب موثوقين، يجب تدريبهم على تمثيلات متنوعة لواجهة المستخدم وتعليمهم صراحةً كيفية التفكير والتخطيط، بدلاً من مجرد تقليد الإجراءات على واجهة ثابتة واحدة.