技术摘要：基于技能蒸馏的浏览器可扩展行为克隆

1. 问题陈述

本文指出当前 Web 智能体存在一个关键瓶颈：尽管现代模型在处理低层浏览器操作（解析 DOM、执行点击和按键）方面已基本解决，但在面对真实世界网站时，由于在信息不完全的情况下进行决策，其效率仍然低下。智能体仅能观察当前的页面状态，缺乏对网站结构的全局知识、可靠的入口点、路径成本以及完成信号。因此，能力强大的智能体往往不得不进行高成本的试错探索。

作者认为，必要的决策先验广泛存在于人类行为中，但目前尚未得到充分利用。原始的人类浏览器轨迹是进行直接监督的劣质单元，因为它们冗长、多噪、具有冗余性，并且与易变的页面状态（如特定坐标、瞬态 DOM ID、登录状态）紧密耦合。直接克隆这些低层动作会导致脆弱且仅针对特定页面的行为，从而无法实现迁移。因此，核心问题在于如何将这些海量、多噪的人类交互日志转化为可重用、可迁移的过程性知识，供智能体应用于陌生的网站。

2. 方法论：BrowserBC

作者提出了 BrowserBC，这是一个通过**技能蒸馏（skill distillation）**将浏览器交互轨迹转换为可检索、可组合且可执行的自然语言技能库的可扩展框架。该框架通过四个不同的阶段运行：

3.1 行为证据抽象

首先对原始轨迹 ($\tau$) 进行清洗和语义分割。系统会过滤掉无贡献的交互（误点、空闲等待）和易变的人造物（坐标、特定选择器）。剩余的数据被转换为结构化的证据单元 ($u$)，这些单元捕捉了：

• 任务指令 ($x$)。
• 环节前后的上下文摘要 ($c_{pre}, c_{post}$)。
• 演示行为的摘要 ($b$)。
• 观察到的反馈 ($f$) 和结果 ($y$)。
  此阶段将数据从页面特定的动作轨迹提升为通用的过程性证据。

3.2 程序化技能蒸馏

证据单元被蒸馏为结构化自然语言技能卡片 ($\hat{s}$)。技能的定义不是回放脚本，而是一个可迁移的过程，包含特定字段：

• 意图 (Intent)： 技能实现的目的是什么。
• 适用性 (Applicability)： 何时及何处适用（前提条件）。
• 执行步骤 (Execution Steps)： 泛化的程序（例如，“通过语义标签识别字段”，而非“点击坐标 X,Y”）。
• 进度里程碑与终止 (Progress Milestones & Termination)： 如何验证进度以及何时停止。
• 失败恢复 (Failure Recovery)： 处理常见错误的策略。
• 负面约束 (Negative Constraints)： 不应该做什么。

至关重要的是，蒸馏过程显式地剥离了会话特定的细节（坐标、登录状态），以确保技能是模型无关且可迁移的。

3.3 技能库构建（技能图谱）

为了防止无限制的累积和冗余，系统将技能组织进一个技能图谱 ($G$) 中。当生成新技能时，系统决定是：

• 将其作为新条目添加。
• 将其与现有的兼容技能合并。
• 将其注册为通用技能的特化版本。
  图中的边编码了诸如时间依赖、特化、替代程序或不兼容性等关系。这使得库通过整合而非简单的累积来增长，从而保持检索和更新的局部性。

3.4 技能驱动的执行

在推理阶段，一个轻量级的检索器根据当前任务和浏览器上下文选择一个紧凑的相关技能子集 ($R_t$)。这些技能作为自然语言引导被插入到智能体的上下文中。随后，智能体将这些高层指令落实到实时页面上的可执行动作。技能充当了校准后的先验，它们能引导智能体的决策，但不会覆盖智能体适应当前状态的能力。

3. 核心贡献

1. 重新定义瓶颈： 本文将 Web 智能体的低效重新定义为一个在信息不完全情况下的决策问题，并指出人类轨迹是规模化决策数据的来源，其中可重用的单元是可迁移的自然语言技能，而非点击或完整轨迹。
2. BrowserBC 框架： 一个可扩展的系统，它将轨迹蒸馏为结构化技能卡片，将其整合进技能图谱，并将技能溯源与执行解耦。这使得由能力较强的模型或人类记录的一次经验，可以被更小、更廉价的模型重复使用。
3. 全面评估： 作者在三个基准测试（WebArena-Hard、ClawBench 和 OSWorld 风格的桌面任务）上对 BrowserBC 进行了评估，衡量了成功率、交互效率、失败恢复能力以及跨平台泛化能力。

4. 实验结果

该框架在三个基准测试上进行了评估：

• WebArena-Hard (受控环境)： BrowserBC 将整体任务成功率从 60.5% 提升至 81.4%（+20.9 个百分点）。增益在多站点和购物任务中最为显著（分别提升了 +31.2% 和 +28.6%），在这些场景中过程不确定性较高。交互步骤平均减少了 27.3%。
• ClawBench (生产环境)： 在布局易变的真实网站上，基线模型解决了 32.9% 的任务，而 BrowserBC 解决了 68.4%（+35.5 个百分点）。在动态、非饱和环境中的这一显著增益证明了技能编码的是可迁移的过程性知识，而非记忆的页面状态。
• OSWorld (跨平台)： 在桌面任务的诊断研究中，技能使智能体能够解决 6 个此前无法解决的案例，主要是通过提供缺失的任务 Schema 和终止证据。

蒸馏与执行的解耦：
实验表明，由更强模型（Claude-Sonnet-4.6）蒸馏出的技能显著提升了较弱执行智能体的性能。配备了 Sonnet 蒸馏技能的小型智能体达到了 77% 的成功率，接近了大型智能体本身达到的 80%，验证了“一次蒸馏，廉价复用”的假设。

5. 重要性与主张

本文声称，浏览器智能体的可扩展性可能不仅取决于手动设计的任务或单个智能体模型的规模扩大，更取决于利用互联网用户已经表达的集体技能。

通过将原始、多噪的轨迹转换为可审计的自然语言技能卡片，BrowserBC 提供了一条在不同智能体和环境中积累并复用经验的路径。作者强调，他们的方法与环境或奖励的改进是正交的；相反，它将现有的人类交互数据视为一种可扩展的监督信号。这项工作表明，在解决复杂的长程 Web 任务时，过程性先验（知道做什么以及如何验证）比低层接地能力（grounding capabilities）更具价值。

论文结论较为谦逊，指出虽然技能提升了成功率和效率，但它们不能替代完美的低层执行或最短路径策略，且其收益受限于执行可靠性和检索正确性。