WebOperator: Web環境における自律エージェントのための行動認識ツリー検索

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

December 14, 2025

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

cs.AI

要旨

LLMベースのエージェントは、多くの場合、貪欲で段階的な方法で動作し、長期的な結果や代替経路を考慮せず、現在の観測のみに基づいて行動を選択します。この先見性の欠如は、部分的にしか観測できない（ブラウザで表示可能なDOMやUI要素などに限定される）Web環境において特に問題となります。このような環境では、単一の誤った操作を元に戻すために、複雑で脆弱なナビゲーションが必要となることが多いためです。明示的なバックトラッキング機構がない場合、エージェントは誤りを修正したり、代替経路を体系的に探索したりするのに苦労します。 木探索手法は、このような構造化された探索に対する原理的な枠組みを提供しますが、既存のアプローチには安全なバックトラッキング機構が欠けており、意図しない副作用を引き起こしやすいという問題があります。また、すべての行動が可逆的であると仮定しており、不可逆的な行動の存在を無視しています。これらの制限は、現実的なWebタスクにおける有効性を低下させます。 これらの課題に対処するため、我々は信頼性の高いバックトラッキングと戦略的探索を可能にする木探索フレームワーク「WebOperator」を提案します。本手法は、報酬推定値と安全性の考慮事項の両方に基づいて行動をランク付けする最良優先探索戦略と、以前に訪問した経路を再生する前にその実行可能性を検証し、意図しない副作用を防止する堅牢なバックトラッキング機構を組み込んでいます。探索をさらに導くために、WebOperatorは多様な推論コンテキストから行動候補を生成し、多様で堅牢な探索を保証するとともに、実行前に無効な行動をフィルタリングし、意味的に等価な行動を統合することで、高品質な行動セットを精選します。 WebArenaとWebVoyagerにおける実験結果は、WebOperatorの有効性を示しています。WebArenaにおいて、WebOperatorはgpt-4oを用いて54.6%という最先端の成功率を達成し、戦略的先見性と安全な実行を統合することの決定的な利点を実証しました。

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.