Web Agents Should Use Typed Actions Instead of Click-Based Browsing
Este documento de posicionamento defende a substituição de interações web baseadas em cliques, frágeis e de baixo nível, por uma camada semântica de "verbos web" tipados para criar sistemas web agentes mais confiáveis, auditáveis e reproduzíveis.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
A Grande Ideia: Pare de Clicar, Comece a Falar "Verbo"
Imagine que você está tentando ensinar um robô a pedir uma pizza.
O Jeito Antigo (Navegação Baseada em Cliques):
Atualmente, a maioria dos agentes web (robôs de IA) tenta aprender a pedir pizza observando um humano clicar em botões. O robô tem que descobrir: "Ok, eu preciso mover meu mouse 400 pixels para a direita, clicar no botão vermelho, esperar a tela carregar, rolar três polegadas para baixo e digitar 'pepperoni'."
Isso é como ensinar alguém a dirigir dando uma lista de instruções para cada movimento muscular: "Vire a cabeça para a esquerda, mova o pé 2 polegadas, pressione o pedal". Funciona, mas é incrivelmente frágil. Se a pizzaria mover o botão "Pedir" duas polegadas para a esquerda, ou mudar a cor do menu, o robô fica confuso e trava. Ele tem que reaprender toda a dança toda vez.
O Jeito Novo (Ações Digitadas / Verbos Web):
Os autores deste artigo argumentam que devemos parar de ensinar os robôs a clicar. Em vez disso, devemos dar a eles um menu de "Verbos Web".
Pense em um Verbo Web como um botão mágico ou um cartão de comando. Em vez de dizer ao robô como clicar, você diz a ele o que fazer usando um comando claro e estruturado.
- Comando Antigo: "Mover mouse para X, Y, clicar."
- Novo Verbo:
search_hotel(destination="Anchorage", check_in="2026-06-01")
Este comando é como uma refeição pré-embalada. O robô não precisa saber como picar as cebolas ou fritar o bife (os cliques e rolagens complexos); ele apenas pede a refeição "Busca de Hotel", e o sistema cuida de todos os detalhes complicados nos bastidores.
Por Que Precisamos Disso?
O artigo aponta três problemas principais com a abordagem de "clicar" e como os "verbos" os resolvem:
1. Confiabilidade (O Problema da "Casa Frágil")
- O Problema: Quando um robô clica em botões, ele está construindo uma casa de cartas. Se o site mudar levemente o layout (como mover um botão), toda a casa desmorona. O robô se perde.
- A Solução do Verbo: Um Verbo é como um tijolo resistente. Mesmo que o site mude a pintura ou reorganize os móveis, o tijolo "Busca de Hotel" continua funcionando porque foi construído para lidar com essas mudanças internamente. O robô apenas pede o tijolo; ele não precisa saber como o tijolo foi feito.
2. Eficiência (O Problema do "Para e Começa")
- O Problema: Para realizar uma tarefa simples como reservar uma viagem, um robô de cliques pode ter que dar 50 passos minúsculos: clicar aqui, esperar, rolar, digitar, clicar ali. Ele tem que "pensar" e "olhar" para a tela após cada passo. Isso é lento e caro.
- A Solução do Verbo: Com verbos, o robô pode dizer: "Encontre um hotel para mim", e "Encontre um voo" e "Reserve-os". Ele faz todo o trabalho em três grandes passos em vez de 50 pequenos. É como pedir uma refeição completa em um restaurante em vez de cozinhar cada ingrediente do zero.
3. Verificabilidade (O Problema da "Caixa Preta")
- O Problema: Se um robô de cliques comete um erro, é difícil dizer o porquê. Ele clicou no botão errado? Ele leu o texto incorretamente? É um rastro confuso de ações que é difícil de verificar.
- A Solução do Verbo: Verbos são como um recibo. Quando o robô usa um verbo, ele obtém uma resposta clara e estruturada (ex: "Aqui está a lista de hotéis com preços"). Podemos facilmente verificar a entrada (o que ele pediu) e a saída (o que ele obteve). Se algo der errado, sabemos exatamente qual "tijolo" falhou, não qual pixel específico o robô clicou.
Como Funciona na Vida Real (Os Exemplos)
O artigo testa isso com dois exemplos:
Planejamento de Viagem: Um usuário quer encontrar hotéis perto de museus e classificá-los por distância.
- Robô de Cliques: Fica confuso. Ele tenta desenhar uma única linha conectando todos os museus e hotéis, o que na verdade não calcula a distância corretamente. Ele perde o cálculo matemático no meio de todos os cliques.
- Robô de Verbos: Usa um verbo
get_directions. Ele percorre a lista, pede ao verbo a distância entre cada hotel e museu, soma tudo e ordena. Ele segue a matemática perfeitamente porque a "distância" é um número claro, não uma estimativa visual.
- Robô de Verbos: Usa um verbo
- Robô de Cliques: Fica confuso. Ele tenta desenhar uma única linha conectando todos os museus e hotéis, o que na verdade não calcula a distância corretamente. Ele perde o cálculo matemático no meio de todos os cliques.
Compras de Móveis: Um usuário quer comprar uma cama, uma escrivaninha e uma luminária com um orçamento de até US$ 1.000, maximizando a avaliação.
- Robô de Cliques: Escolhe itens um por um de forma gananciosa. Ele pode escolher uma ótima cama, depois uma ótima escrivaninha, e de repente perceber que não tem dinheiro para a luminária. Ele falha no objetivo global.
- Robô de Verbos: Usa verbos para obter uma lista de todos os itens com seus preços e avaliações. Em seguida, executa um programa de computador simples para verificar todas as combinações possíveis para encontrar o melhor conjunto que caiba no orçamento. Ele resolve o quebra-cabeça logicamente.
O Chamado à Ação
Os autores não estão dizendo que os modelos de IA precisam ficar mais "inteligentes". Eles estão dizendo que a interface precisa mudar.
Eles propõem que os sites exponham esses "Verbos" para o mundo.
- Para Desenvolvedores: Em vez de apenas construir um site para humanos, construam uma "Camada de Verbos" para robôs. Isso pode ser uma API simples (uma linha direta para o servidor) ou um script que automatiza os cliques no navegador para você.
- Para a Comunidade: Assim como temos padrões para como os sites se parecem (HTML), precisamos de padrões para como os robôs falam com os sites. Precisamos de um dicionário universal de "Verbos Web" para que os robôs saibam exatamente quais comandos estão disponíveis.
Analogia de Resumo
- Agentes Web Atuais: São como uma pessoa tentando dirigir um carro girando manualmente o volante, pressionando o acelerador e bombeando os freios com os pés, enquanto olha para um mapa. Se a estrada muda, eles batem.
- Agentes Web Propostos: São como um passageiro em um carro autônomo. Eles apenas dizem ao carro: "Leve-me ao aeroporto". O carro (o Verbo) cuida do volante, dos freios e da navegação. É mais seguro, mais rápido e você sabe exatamente para onde está indo.
O artigo argumenta que, para tornar a "Web Agêntica" (uma web onde robôs fazem coisas por nós) confiável, devemos parar de dar aos robôs um volante e começar a dar a eles um destino.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.