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。它不是由作者撰写的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教一个非常聪明但有点笨拙的机器人如何在互联网上导航以完成一项任务，比如“预订机票”或“寻找特定产品”。
目前的 AI 智能体就像这个机器人：它们拥有强大的大脑（大语言模型），但由于它们试图一次性读完整个网站，就像试图一口吞下一整座图书馆一样，它们因此感到力不从心。它们会被信息淹没，忘记自己身处何处，并且因为盯着整个页面看而不是关注特定的部分，从而错过了重要的按钮。
这篇论文介绍了一种构建此类智能体的新方法：WebChallenger。与其让机器人的大脑变得更大或更昂贵，作者们为其构建了一个更好的“脚手架”或操作系统。他们认为，人类之所以擅长浏览网页，是因为我们自然而然地做了三件事，而 WebChallenger 教会了机器人同样的三件事。
以下是它的工作原理，使用简单的类比说明：
1. “目录”技巧（选择性注意）
问题： 当人类看一个网页时，并不会阅读每一个字。他们会扫描标题，看到一个看起来有趣的板块，然后放大观察那部分。AI 智能体通常尝试将整个页面作为一个巨大的、混乱的文本块来阅读。
解决方案： WebChallenger 使用了一个名为 PageMem 的工具。你可以把它想象成为每个网页自动生成一份“目录”。
- 它将页面分解成整齐的板块（如“导航栏”、“产品列表”、“页脚”）。
- 它为每个板块编写一句简短的摘要。
- 类比： 想象你在一家巨大的百货商店里。你不需要走遍每一个过道并阅读每一个标签，你只需要看一眼入口处的巨大地图。你看到了“电子产品”、“服装”、“家居用品”。你决定需要电子产品，于是你忽略了其余的部分，只走进那个特定的过道。WebChallenger 能瞬间做到这一点，忽略“噪音”，只专注于相关的部分。
2. “心理地图”（持久记忆）
问题： 如果你访问一个新网站，每次回来你都必须重新学习“登录”按钮在哪里。目前的 AI 智能体往往表现得像是患有失忆症；它们把每一次访问网站都当作第一次访问，忘记了它们刚刚看到的布局。
解决方案： 在智能体尝试执行任务之前，它会进行一次“侦察任务”。它会通过点击浏览一次网站来构建一个 WebsiteMem。
- 类比： 这就像游客访问一座新城市。在他们寻找特定餐厅之前，他们会先在附近散步，了解街道、地铁站的位置以及公园的位置。他们绘制了一张心理地图。
- WebChallenger 为每个网站绘制这样一张地图。当智能体稍后需要回到该网站时，它不必重新学习布局，只需调出保存好的地图即可。这节省了时间并防止了混乱。
3. “连招”动作（程序流利度）
问题： 人类对常见任务拥有“肌肉记忆”。如果你想使用下拉菜单，你不会思考：“我要移动鼠标、点击、等待列表出现、扫描列表、然后再点击。”你只会想到：“选择选项。”AI 智能体经常卡在微小的步骤上，试图逐一搞清楚下一个微小的动作。
解决方案： WebChallenger 创建了复合动作（Compound Actions）。
- 类比： 想象你在玩电子游戏。“连招”（Combo Move）是指当你按下一个键时，角色会自动完成跳跃、旋转和踢腿的一系列流畅动作。
- 在 WebChallenger 中，如果任务是“填写表单”，智能体不会停下来思考每一个输入框。它有一个预设的“连招”用于处理表单。它知道要点击输入框、输入文本、移动到下一个字段并提交，这一切都是作为一个单一决策来处理的。它会自动处理那些繁琐的中间步骤。
结果
作者使用标准的开源 AI 模型测试了这个系统（这些模型比大科技公司使用的庞大且昂贵的模型更便宜、更小巧）。
- 结果： 通过使用这种“脚手架”（目录、心理地图和连招动作），他们的系统表现优于几乎所有其他开源智能体，并且非常接近那些最昂贵的专用系统的性能。
- 核心启示： 你不一定需要一个超智能、昂贵的大脑才能成为一名优秀的网页导航员。你只需要一种聪明的方法来组织信息、记住你去过的地方，并自动化那些枯燥的步骤。WebChallenger 提供了这种组织能力。
简而言之，WebChallenger 并没有让 AI 变得更聪明；它只是给了 AI 更好的工具，去使用它已有的智能。
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。