Web Agents Should Use Typed Actions Instead of Click-Based Browsing
本立场文件主张，应以具有类型化的语义层“网络动词”取代脆弱、低层级的基于点击的网络交互，从而构建更可靠、可审计且可复现的智能体化网络系统。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
核心理念：停止点击，开始使用“动词”
想象一下你正在试图教一个机器人如何订披萨。
旧方法（基于点击的浏览）：
目前，大多数 Web Agent（AI 机器人）试图通过观察人类点击按钮来学习如何订披萨。机器人必须弄明白：“好的，我需要将鼠标向右移动 400 像素，点击红色按钮，等待页面加载，向下滚动三英寸，然后输入‘意式腊肠’。”
这就像是通过给出一份极其细致的肌肉运动指令来教人开车：“头向左转，脚移动 2 英寸，踩下踏板。”这种方式虽然可行，但极其脆弱。如果披萨店把“下单”按钮向左移动了两英寸，或者改变了菜单的颜色，机器人就会感到困惑并崩溃。它每次都必须重新学习整套动作。
新方法（打字操作 / Web 动词）：
本文作者认为，我们不应该再教机器人如何点击。相反，我们应该给它们提供一个**“Web 动词”**菜单。
把一个 Web 动词想象成一个神奇按钮或一张指令卡。与其告诉机器人如何点击，不如使用清晰、结构化的命令告诉它做什么。
- 旧指令： “移动鼠标到 X, Y，点击。”
- 新动词：
search_hotel(destination="Anchorage", check_in="2026-06-01")
这个命令就像一份预包装好的套餐。机器人不需要知道如何切洋葱或煎牛排（这些复杂的点击和滚动细节）；它只需要请求“搜索酒店”这份套餐，系统会在后台处理所有繁琐的细节。
我们为什么需要它？
论文指出了“点击”方法的三个主要问题，以及“动词”是如何解决它们的：
1. 可靠性（“脆弱房屋”问题）
- 问题： 当机器人进行点击操作时，它是在搭建一座纸牌屋。如果网站的布局稍有变动（比如移动了一个按钮），整个纸牌屋就会坍塌。机器人会迷失方向。
- 动词解决方案： 一个“动词”就像一块坚固的砖块。即使网站更换了涂料或重新布置了家具，这个“搜索酒店”的砖块依然有效，因为它在内部处理了这些变化。机器人只需要请求这块砖，而不需要知道这块砖是如何制造出来的。
2. 效率（“停顿与启动”问题）
- 问题： 为了完成像预订旅行这样简单的任务，一个点击型机器人可能需要执行 50 个微小的步骤：点击这里，等待，滚动，输入，点击那里。它每走一步都要进行“思考”并“观察”屏幕。这既慢又昂贵。
- 动词解决方案： 有了动词，机器人可以说：“帮我找酒店”、“帮我找航班”以及“帮我预订”。它通过三个大步骤就能完成整个工作，而不是 50 个小步骤。这就像是在餐厅点了一份完整的套餐，而不是从每一种食材开始亲手烹饪。
3. 可验证性（“黑盒”问题）
- 问题： 如果一个点击型机器人犯了错，很难判断原因。是它点错了按钮？还是它读错了文字？它留下的是一串难以检查的混乱动作轨迹。
- 动词解决方案： 动词就像一张收据。当机器人使用动词时，它会得到一个清晰、结构化的答案（例如：“这是带有价格的酒店列表”）。我们可以轻松检查输入（它请求了什么）和输出（它得到了什么）。如果出了问题，我们能准确知道是哪个“砖块”失效了，而不是哪个特定的像素点被机器人点错了。
现实生活中的应用示例
论文通过两个例子进行了测试：
旅行规划： 用户想要寻找博物馆附近的酒店，并按距离进行排序。
- 点击型机器人： 会感到困惑。它试图画一条连接所有博物馆和酒店的单线，但这并不能正确计算距离。它在所有的点击动作中丢失了数学逻辑。
- 动词型机器人： 使用
get_directions动词。它循环遍历列表，向动词请求每个酒店与博物馆之间的距离，将它们相加并排序。它完美地遵循了数学逻辑，因为“距离”是一个明确的数字，而不是视觉上的猜测。
家具购物： 用户想在 1,000 美元的预算内购买一张床、一张书桌和一个台灯，同时让评分最大化。
- 点击型机器人： 采取贪婪算法逐一挑选物品。它可能会先选一个很棒的床，再选一个很棒的书桌，然后突然意识到已经没钱买台灯了。它无法实现全局目标。
- 动词型机器人： 使用动词获取所有物品的价格和评分列表。然后它运行一个简单的计算机程序，检查所有可能的组合，以找到符合预算的最佳组合。它通过逻辑解决了这个谜题。
行动号召
作者并不是说 AI 模型需要变得更“聪明”。他们说的是交互界面需要改变。
他们建议网站应该向世界暴露这些“动词”。
- 对于开发者： 不要仅仅为人类构建网站，要为机器人构建一个“动词层”。这可以是一个简单的 API（直接连接到服务器的线路），或者是一个为你自动执行浏览器点击的脚本。
- 对于社区： 就像我们有关于网页外观的标准（HTML）一样，我们也需要关于机器人如何与网站对话的标准。我们需要一个通用的“Web 动词”词典，以便机器人确切知道有哪些可用的命令。
总结类比
- 目前的 Web Agent： 就像一个试图通过手动转动方向盘、踩油门和踩刹车来驾驶汽车的人，同时还在盯着地图看。如果路况发生变化，他们就会撞车。
- 提议中的 Web Agent： 就像坐在自动驾驶汽车里的乘客。他们只需告诉汽车：“带我去机场。”汽车（即“动词”）会处理转向、刹车和导航。这更安全、更快速，而且你清楚地知道自己要去哪里。
论文指出，为了让“智能体网络”（Agentic Web，即一个机器人能为我们完成事务的网络）变得可靠，我们不能再给机器人一个方向盘，而应该给它们一个目的地。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。