WebShaper: Sintesi Dati Agente tramite Formalizzazione della Ricerca di Informazioni

WebShaper: Agentically Data Synthesizing via Information-Seeking Formalization

July 20, 2025

Autori: Zhengwei Tao, Jialong Wu, Wenbiao Yin, Junkai Zhang, Baixuan Li, Haiyang Shen, Kuan Li, Liwen Zhang, Xinyu Wang, Yong Jiang, Pengjun Xie, Fei Huang, Jingren Zhou

cs.AI

Abstract

L'avvento degli agenti alimentati da Large Language Model (LLM) ha rivoluzionato l'intelligenza artificiale, consentendo soluzioni a compiti complessi e aperti attraverso capacità di ricerca di informazioni (IS) basate sul web. La scarsità di dati di addestramento di alta qualità ha limitato lo sviluppo degli agenti IS. Gli approcci esistenti adottano tipicamente un paradigma guidato dalle informazioni, che prima raccoglie dati dal web e poi genera domande basate sul recupero. Tuttavia, ciò può portare a un'incongruenza tra la struttura delle informazioni e la struttura del ragionamento, domanda e risposta. Per mitigare questo problema, proponiamo un framework di sintesi dati IS guidato dalla formalizzazione, chiamato WebShaper, per costruire un dataset. WebShaper formalizza sistematicamente i compiti IS attraverso la teoria degli insiemi. Al centro della formalizzazione c'è il concetto di Proiezioni di Conoscenza (KP), che consente un controllo preciso sulla struttura del ragionamento attraverso composizioni di operazioni KP. Durante la sintesi, iniziamo creando compiti di base, quindi utilizziamo un processo di espansione in più fasi. A ogni passo, un agente Expander amplia la domanda formale corrente rendendola più complessa con strumenti di recupero e validazione basati sulla nostra formalizzazione. Addestriamo il nostro modello sul dataset sintetizzato. I risultati degli esperimenti dimostrano che WebShaper raggiunge prestazioni all'avanguardia tra gli agenti IS open-source sui benchmark GAIA e WebWalkerQA.

English

The advent of Large Language Model (LLM)-powered agents has revolutionized artificial intelligence by enabling solutions to complex, open-ended tasks through web-based information-seeking (IS) capabilities. The scarcity of high-quality training data has limited the development of IS agents. Existing approaches typically adopt an information-driven paradigm that first collects web data and then generates questions based on the retrieval. However, this may lead to inconsistency between information structure and reasoning structure, question and answer. To mitigate, we propose a formalization-driven IS data synthesis framework WebShaper to construct a dataset. WebShaper systematically formalizes IS tasks through set theory. Central to the formalization is the concept of Knowledge Projections (KP), which enables precise control over reasoning structure by KP operation compositions. During synthesis, we begin by creating seed tasks, then use a multi-step expansion process. At each step, an agentic Expander expands the current formal question more complex with retrieval and validation tools based on our formalization. We train our model on the synthesized dataset. Experiment results demonstrate that WebShaper achieves state-of-the-art performance among open-sourced IS agents on GAIA and WebWalkerQA benchmarks.