SkillWeaver: Los agentes web pueden automejorarse mediante el descubrimiento y perfeccionamiento de habilidades

SkillWeaver: Web Agents can Self-Improve by Discovering and Honing Skills

April 9, 2025

Autores: Boyuan Zheng, Michael Y. Fatemi, Xiaolong Jin, Zora Zhiruo Wang, Apurva Gandhi, Yueqi Song, Yu Gu, Jayanth Srinivasa, Gaowen Liu, Graham Neubig, Yu Su

cs.AI

Resumen

Para sobrevivir y prosperar en entornos complejos, los humanos han desarrollado mecanismos sofisticados de automejora a través de la exploración del entorno, la abstracción jerárquica de experiencias en habilidades reutilizables y la construcción colaborativa de un repertorio de habilidades en constante crecimiento. A pesar de los avances recientes, los agentes web autónomos aún carecen de capacidades cruciales de automejora, enfrentando dificultades con la abstracción de conocimiento procedimental, el refinamiento de habilidades y la composición de habilidades. En este trabajo, presentamos SkillWeaver, un marco centrado en habilidades que permite a los agentes automejorarse mediante la síntesis autónoma de habilidades reutilizables como APIs. Dado un nuevo sitio web, el agente descubre habilidades de manera autónoma, las ejecuta para practicar y destila las experiencias de práctica en APIs robustas. La exploración iterativa expande continuamente una biblioteca de APIs ligeras y listas para usar, mejorando significativamente las capacidades del agente. Los experimentos en WebArena y sitios web del mundo real demuestran la eficacia de SkillWeaver, logrando mejoras relativas en las tasas de éxito del 31.8% y 39.8%, respectivamente. Además, las APIs sintetizadas por agentes fuertes mejoran sustancialmente a agentes más débiles mediante habilidades transferibles, obteniendo mejoras de hasta el 54.3% en WebArena. Estos resultados demuestran la efectividad de perfeccionar diversas interacciones con sitios web en APIs, que pueden compartirse sin problemas entre varios agentes web.

English

To survive and thrive in complex environments, humans have evolved sophisticated self-improvement mechanisms through environment exploration, hierarchical abstraction of experiences into reuseable skills, and collaborative construction of an ever-growing skill repertoire. Despite recent advancements, autonomous web agents still lack crucial self-improvement capabilities, struggling with procedural knowledge abstraction, refining skills, and skill composition. In this work, we introduce SkillWeaver, a skill-centric framework enabling agents to self-improve by autonomously synthesizing reusable skills as APIs. Given a new website, the agent autonomously discovers skills, executes them for practice, and distills practice experiences into robust APIs. Iterative exploration continually expands a library of lightweight, plug-and-play APIs, significantly enhancing the agent's capabilities. Experiments on WebArena and real-world websites demonstrate the efficacy of SkillWeaver, achieving relative success rate improvements of 31.8% and 39.8%, respectively. Additionally, APIs synthesized by strong agents substantially enhance weaker agents through transferable skills, yielding improvements of up to 54.3% on WebArena. These results demonstrate the effectiveness of honing diverse website interactions into APIs, which can be seamlessly shared among various web agents.