💬 NLP

Region4Web: Rethinking Observation Space Granularity for Web Agents

يقدم البحث إطار عمل Region4Web، الذي يعيد تعريف ملاحظة الوكيل الويب من مستوى العناصر إلى مستوى المناطق الوظيفية من خلال التفكيك الهرمي ومسار PageDigest المستمر، محققاً معدلات نجاح أعلى للمهام وتقليلاً في أطوال الملاحظات على معيار WebArena عبر نماذج لغوية كبيرة متنوعة.

المؤلفون الأصليون: Donguk Kwon, Dongha Lee

نُشر 2026-05-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Donguk Kwon, Dongha Lee

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 تحاول تعليم روبوت كيفية التسوق عبر الإنترنت، أو ملء نموذج، أو حجز رحلة. للقيام بذلك، يحتاج الروبوت إلى "رؤية" صفحة الويب. حالياً، تُعطى معظم الروبوتات عرضاً للصفحة يشبه قائمة ضخمة غير منظمة لكل طوبة ومسمار وبرغي في منزل. يتعين عليها فحص كل عنصر واحداً تلو الآخر لتعرف أين هو الباب أو أي نافذة يمكن فتحها. هذا الأمر بطيء، ومربك، ويستهلك الكثير من القدرات الذهنية.

تقترح ورقة بحثية بعنوان "Region4Web: Rethinking Observation Space Granularity for Web Agents" طريقة أذكى لعرض صفحة الويب للروبوت. فبدلاً من إعطائه قائمة من الطوب، تعطي الروبوت مخططاً أرضياً يسلط الضوء على الغرف الوظيفية.

إليك كيف يعمل حلهم، مقسماً إلى مفاهيم بسيطة:

1. المشكلة: رؤية "طوبة بطوبة"

تنظر وكلاء الويب (الروبوتات) حالياً إلى صفحة الويب كقائمة طويلة ومسطحة من آلاف العناصر الصغيرة (أزرار، نصوص، صور).

التشبيه: تخيل أنك تحاول فهم فيلم من خلال قراءة سيناريو يسرد كل إطار، وكل قطعة ديكور، وكل شخصية ثانوية في الخلفية بشكل فردي، دون إخبارك في أي مشهد أنت الآن. عليك أن تخمن أن "مشهد المطبخ" يحدث لأنك ترى ثلاجة وموقداً وطاولة، بدلاً من أن يقال لك بوضوح: "هذا هو المطبخ".
المشكلة: يتعين على الروبوت القيام بكل ذلك التخمين بنفسه في كل خطوة، مما يجعله بطيئاً وعرضة للأخطاء.

2. الحل: Region4Web (صانع "المخطط الأرضي")

ابتكر المؤلفون نظاماً يسمى Region4Web يعيد تنظيم صفحة الويب قبل أن ينظر إليها الروبوت.

كيف يعمل: يأخذ القائمة الفوضوية من العناصر ويجمعها في مناطق وظيفية (Functional Regions).
التشبيه: بدلاً من قائمة من الطوب، يقوم النظام ببناء مخطط أرضي. يقول: "هذه المجموعة من الطوب هي المطبخ (غرضها الطبخ)، وهذه المجموعة هي غرفة المعيشة (غرضها الاسترخاء)".
اللمسة السحرية: هو لا يكتفي بتجميع الأشياء التي تقع بالقرب من بعضها البعض فحسب؛ بل يجمع الأشياء التي تعمل معاً. على سبيل المثال، قد تبدو قائمة بطاقات المنتجات كشبكة من العناصر المتشابهة، لكن Region4Web يمكنه تحديد ما إذا كانت منتجات فردية (مناطق منفصلة) أو أنها مجرد "عرض لأفضل المبيعات" (منطقة واحدة كبيرة). إنه يمنح كل مجموعة "تسمية" (الغرض) و"ملخصاً سريعاً" لما يحدث الآن (الحالة).

3. نظام التسليم: PageDigest (الـ "مذكرة الموجز")

حتى مع وجود مخطط أرضي، فإن عرض المنزل بأكمله على الروبوت في كل مرة يتخذ فيها خطوة لا يزال يمثل كمية هائلة من المعلومات.

الحل: بنوا مسار عمل يسمى PageDigest.
التشبيه: تخيل مرشداً سياحياً يدخل غرفة جديدة. بدلاً من إظهار المخططات الهندسية للقصر بأكمله له، يسلمه المرشد مذكرة موجزة تسرد فقط الغرف ذات الصلة بالمهمة الحالية.
- إذا كانت المهمة هي "شراء أحذية"، فإن المرشد يسلط الضة على "قسم الأحذية" و"عربة التسوق" في المذكرة، ويعطي تفاصيل كاملة لهما.
- بالنسبة لصفحة "من نحن" أو "تذييل الصفحة" (Footer)، يكتفي المرشد بكتابة "هذا هو تذييل الصفحة، لا داعي للنظر هنا"، مما يوفر المساحة.
البقاء على اطلاع: إذا نقر الروبوت على زر وظهرت قائمة منسدلة، فإن PageDigest لا يعيد كتابة المذكرة بأكملها. بل يضيف فقط ملاحظة صغيرة لاصقة تقول: "أوه، ظهرت قائمة جديدة هنا". هذا يبقي "قائمة المهام" الخاصة بالروبوت قصيرة وسهلة الإدارة.

4. النتائج: أسرع وأذكى

اختبر المؤلفون هذا النظام على اختبار مرجعي يسمى WebArena (بيئة ويب محاكية لمهام مثل التسوق أو استخدام الخرائط).

النتيجة: من خلال الانتقال من رؤية "طوبة بطوبة" إلى رؤية "غرفة بغرفة" (Region4Web) واستخدام "المذكرة الموجزة" (PageDigest):
- انخفضت كمية المعلومات التي يتعين على الروبوت قراءتها بنسبة 30% إلى 50%.
- أصبح الروبوت في الواقع أفضل في إكمال المهام، حيث حقق نجاحاً أكبر عبر أنواع مختلفة من "الأدمغة" (النماذج اللغوية الكبيرة)، بدءاً من الصغيرة منها وصولاً إلى الكبيرة جداً.
- عمل النظام بشكل جيد حتى عندما تم إعطاء الروبوت مهاماً مختلفة، مما أثبت أن فهم وظيفة منطقة الصفحة أكثر أهمية من مجرد رؤية كل زر على حدة.

الملخص

باختاً، تجادل هذه الورقة البحثية بأنه لا ينبغي لنا تعليم الروبوتات قراءة صفحات الويب مثل القاموس (كلمة بكلمة). بدلاً من ذلك، يجب أن نعلمهم القراءة مثل البشر: من خلال التعرف على المناطق الوظيفية (مثل زر الدفع، أو شريط البحث، أو قائمة المنتجات) والتركيز فقط على الأجزاء من الصفحة التي تهم المهمة التي بين أيديهم. هذا يجعل الروبات أسرع، وأكثر كفاءة، وأفضل في إنجاز المهام.

ملخص تقني: Region4Web و PageDigest

بيان المشكلة

تدرك الوكلاء البرمجية للويب (Web agents) بيئتها من خلال مساحة ملاحظة، ومع ذلك، ظلت درجة التفصيل (granularity) في هذه الملاحظة خياراً تصميمياً لم ينل حقه من الدراسة. تتعامل النهج الحالية عادةً مع مساحة الملاحظة بنفس درجة تفصيل مستوى العنصر (element-level granularity) المستخدمة في مساحة الإجراءات، حيث تمثل الصفحة كقائمة مسطحة أو هرمية من عناصر الـ DOM الفردية (مثل عقد AXTree). وبينما يعد مستوى تفصيل العنصر طبيعياً لاختيار إجراءات محددة (مثل النقر على رابط معين)، إلا أنه غير مثالي لـ فهم حالة الصفحة.

في الملاحظات على مستوى العنصر، يظل التنظيم الوظيفي للصفحة — أي كيف تخدم مجموعات العناصر أغراضاً مشتركة مثل "قوائم المنتجات"، أو "قوائم التنقل"، أو "نماذج البحث" — ضمنياً. ويُجبر الوكيل على استنتاج هذه المناطق الوظيفية وأغراضها من إشارات العناصر الخام في كل خطوة. يفشل هذا النهج في الاستفادة من الإشارات الهيكلية التي تحدد الوحدات الوظيفية، وغالباً ما يؤدي إلى سياقات ملاحظة طويلة للغاية تحجب تنظيم الصفحة. علاوة على ذلك، فإن إعادة بناء الملاحظة الكاملة على مستوى العنصر في كل خطوة داخل الصفحة أمر غير ضروري، حيث أن معظم الإجراءات تُحدث تغييرات طفيفة فقط في الـ DOM.

المنهجية

يقترح البحث إطار عمل يتكون من جزأين: Region4Web لبناء ملاحظات على مستوى المنطقة، و PageDigest لتقديم هذه الملاحظات بكفاءة.

1. Region4Web: بناء الملاحظة على مستوى المنطقة

يعيد تنظيم Region4Web شجرة الـ AXTree الخاصة بالصفحة إلى مناطق وظيفية من خلال عملية مكونة من مرحلتين:

التفكيك الهرمي (Hierarchical Decomposition): تصنف هذه المرحلة كل حافة (edge) بين أب وطفل في الـ AXTree إما كـ دمج (merge) أو قطع (cut) في عملية انتقال واحدة من الأسفل إلى الأعلى.
- المدخلات: متجه سمات لكل عقدة $v$ ( $x_v$ ) يجمع بين تضمين الدور المتعلم والسمات الهيكلية الرقمية (العمق، حجم الشجرة الفرعية، تنوع الأبناء، إلخ).
- الآلية: يحدد EdgeClassifier ما إذا كان يجب فصل عقدة طفل عن والدها. يستخدم هذا المصنف سمات الوالد، وتمثيل الطفل، والمتوسط التمثيلي لأشقاء الوالد كـ "سياق". إذا تجاوزت درجة التصنيف عتبة $\تميل \tau$ ، يتم قطع الحافة، مما يشكل حدود منطقة جديدة. وإلا، يتم دمج الطفل في منطقة والده.
- المخرجات: تقسيم الـ AXTree إلى أشجار فرعية، حيث تشكل كل شجرة فرعية منطقة وظيفية.
التجريد الدلالي (Semantic Abstraction): تفسر هذه المرحلة كل منطقة لتوضيح غرضها بشكل صريح.
- الآلية: يقوم نموذج لغوي صغير مضبوط بدقة (Qwen3-0.6B) بمعالجة شجرة الـ AXTree الفرعية لكل منطقة قبل المعالجة.
- المخرجات: بُعدان متعامدان لكل منطقة:
  1. الغرض ( $p_i$ ): وصف رفيع المستوى لماهية المنطقة (على سبيل المثال: "قائمة منتجات"، "نموذج بحث").
  2. ملخص الحالة ( $s_i$ ): ملخص موجز للسياق القابل للتنفيذ الحالي للمنطقة (على سبيل المثال: "عرض ترويجي للنظارات الشمسية الفاخرة").

يتم تنفيذ هاتين المرحلتين عبر نماذج صغيرة مخصصة تم تدريبها على بيانات تم إنشاؤها بواسطة نموذج لغوي ضخم مملوك (GPT-5-mini) من مجموعة بيانات تضم 2,052 صفحة ويب حقيقية.

2. PageDigest: خط معالجة الاستدلال الخاص بالويب

PageDigest هو خط معالجة مصمم لتقديم ملاحظات على مستوى المنطقة إلى وكيل التنفيذ كـ ملخص مكثف (compact digest) يستمر عبر الخطوات داخل الصفحة الواحدة.

اختيار المناطق ذات الصلة بالمهمة: عند دخول صفحة جديدة، يتلقى النموذج الأساسي لوكيل التنفيذ تعليمات المهمة، وسجل الإجراءات، ومجموعة التجريدات المناطقية $\{(p_i, s_i)\}$ ${(p_{i}, s_{i})}$ . يختار النموذج المناطق ذات الصلة بالمهمة.
- المناطق المختارة: تُعرض كأشجار AXTree فرعية كاملة للحفاظ على درجة تفصيل مستوى العنصر من أجل تنفيذ الإجراءات.
- المناطق غير المختارة: تُمثل فقط بملخصات أغراضها، مما يحافظ على السياق الهيكلي العام للصفحة دون تضخم في عدد الرموز (tokens).
إدارة انتقال الملاحظة الواعية بالصفحة: بدلاً من تشغيل Region4Web في كل خطوة، يقوم PageDigest بتتبع التغييرات التدريجية.
- يقارن الـ AXTree الحالي بالحالة عند دخول الصفحة لتحديد العقد المضافة، أو المحذوفة، أو المعدلة.
- التحديثات: تعمل العقد المحذوفة/المعدلة على تحديث الهيكل الحالي تحت أغراض مناطقها. أما العقد المضافة فتُدرج بشكل منفصل لتجنب إزاحة أغراض المناطق الموجودة.
- يتجنب هذا النهج إعادة البناء غير الضروري مع الحفاظ على استمرارية حالة الصفحة.
آلية التراجع (Fallback Mechanism): إذا قرر الوكيل أن المناطق المختارة غير كافية، يمكنه استدعاء إجراء view_all للكشف عن جميع المناطق في شكل الـ AXTree الكامل الخاص بها.

المساهمات الرئيسية

إطار عمل Region4Web: طريقة مبتكرة تعيد تنظيم أشجار AXTree إلى مناطق وظيفية عبر التفكيك الهرمي والتجريد الدلالي، مما يجعل التنظيم الوظيفي للصفحة صريحاً للوكيل.
خط معالجة PageDigest: آلية استدلال خاصة بالويب تقدم ملاحظات على مستوى المنطقة كملخص مكثف ومستمر، مما يقلل طول الملاحظة مع تتبع انتقالات الحالة دون إعادة بناء كاملة.
التحقق التجريبي: تقييم شامل على معيار WebArena يظهر أن الملاحظة على مستوى المنطقة تحسن معدلات نجاح المهام وتقلل طول الملاحظة عبر مختلف النماذج الأساسية وطرق الوكلاء.

النتائج

تم التقييم على معيار WebArena (812 مهمة عبر 5 مجالات: التسوق، CMS، Reddit، GitLab، الخرائط)، وحققت الطرق المقترحة النتائج التالية:

تقليل طول الملاحظة: قلل PageDigest بشكل كبير من متوسط طول رموز الملاحظة بنسبة 43% (من 6,437 إلى 3,671 رمزاً) عبر أربعة نماذج لغوية أساسية مختلفة (GPT-5.1, Gemini 3.1 Flash-Lite, DeepSeek-V3.2, Qwen3.5-27B). تراوح الانخفاض بين 16% و 54% اعتماداً على النموذج الأساسي.
تحسين معدل نجاح المهمة (SR): رغم تقليص السياق، حسن PageDigest معدل نجاح المهام الإجمالي بنسبة 2.3 نقطة مئوية في المتوسط.
- على سبيل المثال، مع GPT-5.1، ارتفع SR من 45.2% إلى 47.5%.
- ومع Qwen3.5-27B، ارتفع SR من 38.2% إلى 39.9%.
القدرة على التعميم: ثبتت التحسينات عبر النماذج المملوكة والمفتوحة المصدر ذات السعات المتفاوتة، وكذلك عبر طرق الوكلاء الراسخة (SteP و AgentOccam)، مما يشير إلى أن الملاحظة على مستوى المنطقة توفر إشارة مكملة لفهم حالة الصفحة بغض النظر عن قوة النموذج.
دراسات الاستبعاد (Ablation Studies):
- Region4Web بمفرده: حسن SR (من 48.5% إلى 50.3%) مع طول ملاحظة مماثل، مما يؤكد أن المناطق الوظيفية تساعد في الفهم.
- PageDigest بمفرده (بدون Region4Web، باستخدام اختيار مستوى العنصر): خفض SR (من 48.5% إلى 46.1%)، مما يشير إلى أن المعالجة على مستوى العنصر تعيق الأداء حتى مع الضغط.
- الدمج: حقق خط PageDigest الكامل أعلى SR (53.9%) مع أقل طول للملاحظة (3,814 رمزاً).
تحليل الفشل: أظهر تحليل 50 مساراً فاشلاً أن 82.0% من حالات الفشل كانت تعزى إلى قدرات اختيار الإجراء للوكيل الأساسي، بينما تعود 8.0% فقط إلى التراجعات داخل خط معالجة PageDigest (التفكيك، التجريد، أو أخطاء الاختيار). وهذا يشير إلى أن خط المعالجة يعمل بموثوقية كما هو مصمم.

الأهمية والادعاءات

يجادل البحث بأن درجة تفصيل الملاحظة هي خيار تصميمي حاسم، ومع ذلك لم يُدرس كفاية. ومن خلال الانتقال من مستوى العنصر إلى مستوى المنطقة الوظيفية، يثبت المؤلفون أن:

التنظيم الصريح: جعل التنظيم الوظيفي للصفحة صريحاً (عبر المناطق والأغراض) يوفر أساساً أكثر إفادة لفهم حالة الصفحة مقارنة باستنتاجها من العناصر الخام.
الكفاءة والأداء: تسمح الملاحظة على مستوى المنطقة بسياق أكثر إيجازاً لا يكتفي بعدم التضحية بمعدلات نجاح المهام، بل يحسنها بالفعل.
الفصل (Decoupling): يفصل هذا النهج بين تصميم الملاحظة وقدرة النموذج وسياسة الإجراء، مما يوفر مساراً لوكلاء ويب أكثر كفاءة بغض النظر عن سعة النموذج اللغوي الكبير الأساسي.

يخلص المؤلفون إلى أن العمل في درجة تفصيل المناطق الوظيفية يقدم أساساً أكثر إيجازاً وإفادة لاتخاذ القرار مقارنة بالمعالجة على مستوى العنصر وحدها، مما يؤكد الفرضية القائلة بأن كيفية "رؤية" الوكيل للويب لا تقل أهمية عن كيفية "تفكيره" فيه.