技術要約：長期的ホライゾンを持つWebエージェントのための信号駆動型観測（Signal-Driven Observation）

1. 問題定義：観測の過剰摂取（Observation Over-Ingestion）

本論文は、現在の長期的ホライゾンを持つWebエージェントにおける、観測の過剰摂取（observation over-ingestion）と呼ばれる決定的なアーキテクチャ上の欠陥を特定している。コミュニティでは、エージェントの失敗（ループへの陥り、目的の喪失、あるいは「コンテキストの腐敗」など）はコンテキスト長の制限に起因すると考えられがちであるが、著者らはその根本原因は観測頻度とアクション頻度の結合にあると主張している。

標準的なアーキテクチャでは、各アクションステップにおいて、エージェントは生のDOMやアクセシビリティツリー（多くの場合20,000〜80,000トークン）を、その完全なインタラクション履歴と共に取り込む。これにより、ページの状態が意味のある変化を遂げたかどうかにかかわらず、LLMはページ全体を再読することを強制される。著者らは、これは容量の問題ではなく、観測の問題であると断じている。

• コンテキストの腐敗（Context Rot）: 無関係なトークンが蓄積し、推論の質を低下させる。
• ループへの陥り（Loop-Trapping）: 肥大化したコンテキストが、モデルによる既訪状態の認識を妨げる。
• ゴールの漂流（Goal Drift）: 元のタスク目標がDOMのノイズの下に埋もれ、エージェントが派生した誤ったサブゴールを追求してしまう。

この失敗モードは、様々なサイズのモデルにおいて再現可能であり、かつ、エージェントがなぜ失敗したのか（すなわち、変化していないページを再摂取したこと）を記録せず、単に失敗した事実のみを記録する標準的な終了メトリクスでは不可視である。

2. 手法：信号駆動型観測（Signal-Driven Observation: SDO）

ドキュメントを丸ごと読むのではなく、プログラム的にクエリを行う**再帰的言語モデル（Recursive Language Models: RLMs）の知見に基づき、本論文は信号駆動型観測（SDO）**を提案している。このアーキテクチャは、観測の頻度をアクションの頻度から切り離すものである。

コア・コンポーネント

SDOシステムは、以下の4つの異なるコンポーネントによって動作する。

1. ルートLLM（Root LM）: タスク仕様（$T$）、アクションの履歴（$H$）、および一連のコンパクトな観測結果（$O_1, O_2, \dots$）を保持する。これは限定されたコンテキストに基づいてアクションシーケンスを計画し、新しい観測が得られた場合にのみ再計画を行う。決定的なのは、ルートLLMは生のDOMを決して読み込まないことである。
2. サブRLM（Sub RLM）: DOMの観測のみを担当する専用のサブコール（同一モデルまたはより小さなモデル）。現在のページとタスク $T$ を受け取り、アクセシビリティツリー全体を読み取った上で、タスク条件付きの要約（目的、タイプ、値、セレクターを含む、現在のタスクに関連する要素のみの構造化されたリスト）を返す。
3. 信号検出器（Signal Detector）: ブラウザのアクション後に実行される、LLMコストを伴わない軽量なゼロLLMモジュール。以下の4つのブラウザネイティブな条件を監視し、再観測が必要かどうかを判断する。
   • URL遷移（URL Transition）: 新しいアドレスへのナビゲーション。
   • 新しいARIA要素（New ARIA Element）: 新しいインタラクティブ要素（モーダル、ドロップダウンなど）の出現。
   • アクションの失敗（Action Failure）: 例外、タイムアウト、または利用不可能な要素。
   • 外生的イベント（Exogenous Event）: エージェントによるものではないDOMの変異（クッキーバナー、AJAXによる更新、セッションタイムアウトなど）。
4. ブラウザ（Browser）: Playwrightを介してアクションシーケンスを実行する。各アクションの後、制御は信号検出器へと渡される。

運用ループ

1. 初期化: 初回のページロードにより、サブRLMが $O_1$ を生成する。
2. 実行: ルートLLMがアクションシーケンスを計画する。
3. 信号チェック: 各アクションの後、信号検出器が4つの条件をチェックする。
   • 信号なし: 次のアクションは、LLMの呼び出しやDOMの読み込みを行うことなく、即座に実行される。
   • 信号発生: サブRLMが呼び出され、新しいコンパクトな観測（$O_{t+1}$）が生成される。ルートLLMは更新された状態を受け取り、再計画を行う。

ケーススタディによる例示

本論文では、eコマースの購入タスクを追跡することで、標準的なエージェントとSDOエージェントを対比させている。

• 標準的なエージェント: 各ステップでフルDOMのスナップショットを取り込む。クッキーバナーが出現した際（外生的イベント）、エージェントのコンテキストは既に無関係なトークンによって劣化しており、それが原因で状態を誤認し、商品をカートに追加できず、最終的にゴールの漂流に至る。
• SDOエージェント: ルートLLMはコンパクトで関連性のある要素のみを閲覧する。クッキーバナーが出現すると、信号検出器が再観測をトリガーする。サブRLMはバナーを中断事項としてフラグ立てする。クリーンなコンテキストで動作するルートLLMは、バナーを閉じることを正しく計画し、タスクの整合性を維持したまま進行する。

3. 主な貢献

本論文は、主に3つの貢献を行っている。

1. 失敗モードの定義: コンテキスト長の枯渇とは別個の、エージェントにコンテキストの腐敗、ループへの陥り、およびゴールの漂流を引き起こす、再現可能なメカニズムとしての観測の過剰摂取を正式に定義した。
2. アーキテクチャの提案: 観測の頻度をアクションの頻度から切り離すことが可能であることを示す具体的な実装例として、信号検出器と集中的なサブコールを利用した**信号駆動型観測（SDO）**のスケッチを提示した。
3. コミュニティへの提言: オープンな設計上の問いを特定し、コミュニтельноが観測の圧縮を、事後的な最適化ではなく、第一級のアーキテクチャ上の決定として扱うよう求めた。

4. 結果と限界

本論文は、実験結果を含まないことを明記している。 これは概念的なフレームワークであり、アプローチの実現可能性を示し、開かれた問題を浮き彫りにするための「スケッチ」である。

著者らは、SDOを信頼性高く実装するために解決すべきいくつかの限界と未解決の課題を認めている。

• 信号の完全性とコスト: 定義された4つの信号は、微妙な状態変化（例：静かな価格更新）を見逃す可能性があり、一方で信号を増やしすぎるとサブRLMの呼び出し頻度が増加し、効率性が損なわれる。
• フィルタリングの忠実度: サブRLMは、ルートLLMの将来のニーズを知ることなく、タスクに関連する要素を正確にフィルタリングしなければならない。過剰なフィルタリングは情報の損失を招き、不足したフィルタリングは圧縮のメリットを減少させる。
• 意味的エラー: SDOは構造的な変化は検知するが、意味的なエラー（例：成功はするが誤ったカテゴリーを選択すること）は検知しない。
• シミュレーションと実Webの乖離: シミュレーションによるベンチマークには、外生的イベント（クッキーバナーなど）が存在しないため、シミュレーション内で訓練されたエージェントは、たとえSDOアーキテクチャがそれらを検知できたとしても、そのような中断から回復する方法を学習できない可能性がある。
• 評価メトリクス: 現在のベンチマークには、観測レベルの評価（例：「必要な時に観測は新鮮であったか？」）が欠けている。圧縮が単にトークン数を減らすだけでなく、失敗をどのように防ぐかを測定するための新しいメトリクスが必要である。
• 履歴管理: 極めて長いホライゾンにおいては、コンパクトな観測の累積リスト自体が依然として膨大になり、コンテキスト管理の課題が再導入される可能性がある。

5. 重要性と主張

本論文は、コミュニティがエージェントがいかに観測に対して「推論するか」の向上に多大な投資をしてきた一方で、エージェントが各ステップで「全状態を観測すべきかどうか」については軽視してきたと主張している。

本研究の重要性は、観測の圧縮を、事後的に解決すべきデータ量の問題としてではなく、最初の最初のアクションが取られる前に行われるべき、構造的かつアーキテクチャ的な決定として再定義した点にある。著者らは、観測とアクションを切り離すことで、予期せぬ環境の変化が存在する場合でも、ルートLLMが正しく推論できる条件を維持できると主張している。彼らはSDOを完成したシステムとしてではなく、現在のWebエージェント設計における「アーキテクチャ上の間違い」に対処するために必要な方向性として位置づけている。