BrowserAgent: Construyendo Agentes Web con Acciones de Navegación Inspiradas en Humanos

BrowserAgent: Building Web Agents with Human-Inspired Web Browsing Actions

October 12, 2025

Autores: Zhengbo Zhang, Zhiheng Lyu, Junhao Gong, Hongzhu Yi, Xinming Wang, Yuxuan Zhou, Jiabing Yang, Ping Nie, Yan Huang, Wenhu Chen

cs.AI

Resumen

Resolver eficientemente problemas del mundo real con LLM depende cada vez más de su capacidad para interactuar con entornos web dinámicos y adquirir información externa de manera autónoma. Si bien investigaciones recientes como Search-R1 y WebDancer demuestran un rendimiento sólido en la resolución de tareas web, dependen en gran medida de herramientas adicionales para convertir el entorno web interactivo en contenido de texto estático. Esto contrasta con los comportamientos de navegación humana, que implican diversas interacciones con el navegador, como desplazarse, hacer clic y escribir. En este artículo, proponemos BrowserAgent, un agente más interactivo que resuelve tareas complejas mediante acciones de navegación inspiradas en el comportamiento humano. BrowserAgent opera directamente en páginas web sin procesar a través de Playwright utilizando un conjunto de acciones de navegación predefinidas. Adoptamos un entrenamiento en dos etapas (Ajuste Supervisado (SFT) y Ajuste por Rechazo (RFT)) para mejorar las capacidades de generalización del modelo. A pesar de utilizar significativamente menos datos de entrenamiento que Search-R1, BrowserAgent logra resultados más competitivos en diversas tareas de preguntas y respuestas abiertas (Open-QA). Además, introducimos un mecanismo de memoria explícita para almacenar conclusiones clave entre pasos, lo que mejora aún más las capacidades de razonamiento del modelo para tareas de largo alcance. Cabe destacar que BrowserAgent-7B puede lograr una mejora de aproximadamente un 20\% sobre Search-R1 en tareas de preguntas y respuestas de múltiples saltos (multi-hop QA) como HotpotQA, 2Wiki y Bamboogle. Estos resultados indican que BrowserAgent puede servir como un marco más avanzado para agentes web más interactivos y escalables.

English

Efficiently solving real-world problems with LLMs increasingly hinges on their ability to interact with dynamic web environments and autonomously acquire external information. While recent research like Search-R1 and WebDancer demonstrates strong performance in solving web tasks, they heavily rely on additional tools to convert the interactive web environment into static text content. This is in contrast to human browsing behaviors, which involve diverse interactions with the browser, such as scrolling, clicking, and typing. In this paper, we propose BrowserAgent, a more interactive agent that solves complex tasks through human-inspired browser actions. BrowserAgent operates directly on raw web pages via Playwright through a set of predefined browser actions. We adopt a two-stage training (Supervised Fine-Tuning (SFT) and Rejection Fine-Tuning (RFT)) to improve the model's generalization abilities. Despite using significantly less training data than Search-R1, BrowserAgent achieves more competitive results across different Open-QA tasks. Additionally, we introduce an explicit memory mechanism to store key conclusions across steps, further enhancing the model's reasoning capabilities for long-horizon tasks. Notably, BrowserAgent-7B can achieve around 20\% improvement over Search-R1 on multi-hop QA tasks like HotpotQA, 2Wiki, and Bamboogle. These results indicate that BrowserAgent can serve as a more advanced framework for more interactive and scalable web agents.