Web Agents Should Use Typed Actions Instead of Click-Based Browsing
Dieses Positionspapier plädiert für den Ersatz von spröden, auf niedriger Ebene basierenden klickbasierten Web-Interaktionen durch eine semantische Schicht typisierter „Web-Verben“, um zuverlässigere, auditierbare und reproduzierbare agentische Web-Systeme zu schaffen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Kernidee: Aufhören zu klicken, anfangen, „Verben“ zu sprechen
Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, wie man eine Pizza bestellt.
Der alte Weg (Klick-basiertes Browsen):
Momentan versuchen die meisten Web-Agenten (KI-Roboter), das Bestellen einer Pizza zu lernen, indem sie einem Menschen beim Klicken auf Schaltflächen zusehen. Der Roboter muss herausfinden: „Okay, ich muss meine Maus 400 Pixel nach rechts bewegen, auf den roten Button klicken, warten, bis der Bildschirm geladen hat, drei Zoll nach unten scrollen und ‚Salami‘ eintippen.“
Das ist so, als würde man jemandem das Autofahren beibringen, indem man ihm eine Liste von Anweisungen für jede einzelne Muskelbewegung gibt: „Drehe deinen Kopf nach links, bewege deinen Fuß 2 Zoll, drücke das Pedal.“ Es funktioniert, aber es ist unglaublich fragil. Wenn der Pizzaladen den „Bestellen“-Button zwei Zoll nach links verschiebt oder die Farbe des Menüs ändert, wird der Roboter verwirrt und stürzt ab. Er muss jedes Mal den ganzen Tanz neu lernen.
Der neue Weg (Getippte Aktionen / Web-Verben):
Die Autoren dieser Arbeit argumentieren, dass wir aufhören sollten, Robotern das Klicken beizubringen. Stattdessen sollten wir ihnen ein Menü aus „Web-Verben“ geben.
Betrachten Sie ein Web-Verb wie einen magischen Knopf oder eine Kommandokarte. Anstatt dem Roboter zu sagen, wie er klicken soll, sagen Sie ihm, was er tun soll, indem Sie einen klaren, strukturierten Befehl verwenden.
- Alter Befehl: „Bewege Maus zu X, Y, klicke.“
- Neues Verb:
hotel_suche(ziel="Anchorage", check_in="2026-06-01")
Dieser Befehl ist wie eine fertig zubereitete Mahlzeit. Der Roboter muss nicht wissen, wie man Zwiebeln hackt oder das Steak brät (das komplexe Klicken und Scrollen); er fordert einfach die „Hotelsuche“-Mahlzeit an, und das System kümmert sich im Hintergrund um all die unordentlichen Details.
Warum brauchen wir das?
Die Arbeit weist auf drei Hauptprobleme des „Klick“-Ansatzes hin und zeigt auf, wie „Verben“ diese lösen:
1. Zuverlässigkeit (Das „Fragile Haus“-Problem)
- Das Problem: Wenn ein Roboter auf Buttons klickt, baut er ein Kartenhaus. Wenn sich das Layout einer Website leicht ändert (wie etwa das Verschieben eines Buttons), bricht das ganze Haus zusammen. Der Roboter verirrt sich.
- Die Verb-Lösung: Ein Verb ist wie ein stabiler Backstein. Selbst wenn die Website ihren Anstrich ändert oder die Möbel umstellt, funktioniert der „Hotelsuche“-Backstein weiterhin, da er intern darauf ausgelegt ist, diese Änderungen abzufangen. Der Roboter fordert nur den Backstein an; er muss nicht wissen, wie der Backstein hergestellt wurde.
2. Effizienz (Das „Stop-and-Go“-Problem)
- Das Problem: Um eine einfache Aufgabe wie eine Reise zu buchen, muss ein klickender Roboter vielleicht 50 winzige Schritte ausführen: hier klicken, warten, scrollen, tippen, dort klicken. Er muss nach jedem einzelnen Schritt „denken“ und auf den Bildschirm „schauen“. Das ist langsam und teuer.
- Die Verb-Lösung: Mit Verben kann der Roboter sagen: „Finde mir ein Hotel“, „Finde mir einen Flug“ und „Buche sie“. Er erledigt den ganzen Job in drei großen Schritten statt in 50 winzigen. Es ist wie das Bestellen einer vollständigen Mahlzeit im Restaurant, anstatt jede Zutat selbst aus dem Rohzustand zu kochen.
3. Verifizierbarkeit (Das „Black Box“-Problem)
- Das Problem: Wenn ein klickender Roboter einen Fehler macht, ist es schwer zu sagen, warum. Hat er auf den falschen Button geklickt? Hat er den Text falsch gelesen? Es ist eine chaotische Spur von Aktionen, die schwer zu überprüfen ist.
- Die Verb-Lösung: Verben sind wie eine Quittung. Wenn der Roboter ein Verb verwendet, erhält er eine klare, strukturierte Antwort (z. B. „Hier ist die Liste der Hotels mit Preisen“). Wir können die Eingabe (was er angefragt hat) und die Ausgabe (was er erhalten hat) leicht überprüfen. Wenn etwas schiefgeht, wissen wir genau, welcher „Backstein“ versagt hat, und nicht, welchen spezifischen Pixel der Roboter angeklickt hat.
Wie es in der Praxis funktioniert (Die Beispiele)
Die Arbeit testet dies mit zwei Beispielen:
Reiseplanung: Ein Nutzer möchte Hotels in der Nähe von Museen finden und diese nach Entfernung sortieren.
- Klickender Robbot: Wird verwirrt. Er versucht, eine einzelne Linie zwischen allen Museen und Hotels zu ziehen, was die Entfernung jedoch nicht korrekt berechnet. Er verliert die Mathematik inmitten all des Klickens.
- Verb-Roboter: Verwendet ein
get_directions-Verb. Er geht die Liste durch, fragt das Verb nach der Entfernung zwischen jedem Hotel und jedem Museum, addiert diese auf und sortiert sie. Er folgt der Mathematik perfekt, weil die „Entfernung“ eine klare Zahl ist und kein visueller Schätzwert.
Möbelshopping: Ein Nutzer möchte ein Bett, einen Schreibtisch und eine Lampe unter einem Budget von 1.000 $ kaufen und dabei die Bewertung maximieren.
- Klickender Roboter: Wählt Artikel nacheinander nach dem Greedy-Prinzip aus. Er wählt vielleicht ein tolles Bett, dann einen tollen Schreibtisch und stellt plötzlich fest, dass ihm kein Geld mehr für eine Lampe bleibt. Er scheitert am globalen Ziel.
- Verb-Roboter: Verwendet Verben, um eine Liste aller Artikel mit deren Preisen und Bewertungen zu erhalten. Er führt dann ein einfaches Computerprogramm aus, um jede mögliche Kombination zu prüfen, um das beste Set zu finden, das in das Budget passt. Er löst das Rätsel logisch.
Der Aufruf zum Handeln
Die Autoren sagen nicht, dass KI-Modelle „schlauer“ werden müssen. Sie sagen, dass sich das Interface ändern muss.
Sie schlagen vor, dass Websites diese „Verben“ der Welt gegenüber offenlegen sollten.
- Für Entwickler: Anstatt nur eine Website für Menschen zu bauen, bauen Sie eine „Verb-Schicht“ für Roboter. Dies könnte eine einfache API (eine direkte Leitung zum Server) oder ein Skript sein, das die Browser-Klicks für Sie automatisiert.
- Für die Community: Genau wie wir Standards dafür haben, wie Websites aussehen (HTML), brauchen wir Standards dafür, wie Roboter mit Websites kommunizieren. Wir brauchen ein universelles Wörterbuch für „Web-Verben“, damit Roboter genau wissen, welche Befehle verfügbar sind.
Zusammenfassende Analogie
- Aktuelle Web-Agenten: Sind wie eine Person, die versucht, ein Auto zu fahren, indem sie manuell das Lenkrad dreht, das Gas gibt und die Bremsen mit den Füßen betätigt, während sie gleichzeitig auf eine Karte schaut. Wenn sich die Straße ändert, kracht sie zusammen.
- Vorgeschlagene Web-Agenten: Sind wie ein Passagier in einem selbstfahrenden Auto. Sie sagen dem Auto einfach: „Bring mich zum Flughafen.“ Das Auto (das Verb) kümmert sich um das Lenken, Bremsen und die Navigation. Es ist sicherer, schneller, und man weiß genau, wohin man geht.
Die Arbeit argumentt, dass wir, um das „Agentic Web“ (ein Web, in dem Roboter Dinge für uns erledigen) zuverlässig zu machen, aufhören müssen, den Robotern ein Lenkrad zu geben, und stattdessen ein Ziel vorzugeben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.