WebOperator: Búsqueda en Árbol con Conciencia de Acción para Agentes Autónomos en Entornos Web

WebOperator: Action-Aware Tree Search for Autonomous Agents in Web Environment

December 14, 2025

Autores: Mahir Labib Dihan, Tanzima Hashem, Mohammed Eunus Ali, Md Rizwan Parvez

cs.AI

Resumen

Los agentes basados en LLM suelen operar de manera codiciosa y paso a paso, seleccionando acciones únicamente en función de la observación actual sin considerar consecuencias a largo plazo o caminos alternativos. Esta falta de previsión es particularmente problemática en entornos web, que son solo parcialmente observables—limitados al contenido visible en el navegador (por ejemplo, el DOM y los elementos de la interfaz de usuario)—donde un solo paso en falso a menudo requiere una navegación compleja y frágil para deshacerlo. Sin un mecanismo explícito de retroceso, los agentes tienen dificultades para corregir errores o explorar sistemáticamente caminos alternativos. Los métodos de búsqueda en árbol proporcionan un marco teórico para dicha exploración estructurada, pero los enfoques existentes carecen de mecanismos para un retroceso seguro, lo que los hace propensos a efectos secundarios no deseados. También asumen que todas las acciones son reversibles, ignorando la presencia de acciones irreversibles—limitaciones que reducen su efectividad en tareas web realistas. Para abordar estos desafíos, presentamos WebOperator, un marco de búsqueda en árbol que permite un retroceso confiable y una exploración estratégica. Nuestro método incorpora una estrategia de búsqueda del mejor primero que clasifica las acciones tanto por estimaciones de recompensa como por consideraciones de seguridad, junto con un mecanismo robusto de retroceso que verifica la viabilidad de las rutas visitadas previamente antes de repetirlas, evitando efectos secundarios no deseados. Para guiar aún más la exploración, WebOperator genera candidatos de acción a partir de múltiples contextos de razonamiento variados para garantizar una exploración diversa y robusta, y posteriormente cura un conjunto de acciones de alta calidad filtrando acciones inválidas antes de la ejecución y fusionando aquellas semánticamente equivalentes. Los resultados experimentales en WebArena y WebVoyager demuestran la efectividad de WebOperator. En WebArena, WebOperator logra una tasa de éxito de vanguardia del 54.6% con gpt-4o, subrayando la ventaja crítica de integrar la previsión estratégica con una ejecución segura.

English

LLM-based agents often operate in a greedy, step-by-step manner, selecting actions solely based on the current observation without considering long-term consequences or alternative paths. This lack of foresight is particularly problematic in web environments, which are only partially observable-limited to browser-visible content (e.g., DOM and UI elements)-where a single misstep often requires complex and brittle navigation to undo. Without an explicit backtracking mechanism, agents struggle to correct errors or systematically explore alternative paths. Tree-search methods provide a principled framework for such structured exploration, but existing approaches lack mechanisms for safe backtracking, making them prone to unintended side effects. They also assume that all actions are reversible, ignoring the presence of irreversible actions-limitations that reduce their effectiveness in realistic web tasks. To address these challenges, we introduce WebOperator, a tree-search framework that enables reliable backtracking and strategic exploration. Our method incorporates a best-first search strategy that ranks actions by both reward estimates and safety considerations, along with a robust backtracking mechanism that verifies the feasibility of previously visited paths before replaying them, preventing unintended side effects. To further guide exploration, WebOperator generates action candidates from multiple, varied reasoning contexts to ensure diverse and robust exploration, and subsequently curates a high-quality action set by filtering out invalid actions pre-execution and merging semantically equivalent ones. Experimental results on WebArena and WebVoyager demonstrate the effectiveness of WebOperator. On WebArena, WebOperator achieves a state-of-the-art 54.6% success rate with gpt-4o, underscoring the critical advantage of integrating strategic foresight with safe execution.