SkillWeaver: Webagents kunnen zichzelf verbeteren door vaardigheden te ontdekken en te verfijnen

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

April 9, 2025

Auteurs: 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

Samenvatting

Om te overleven en te gedijen in complexe omgevingen, hebben mensen geavanceerde zelfverbeteringsmechanismen ontwikkeld door middel van omgevingsverkenning, hiërarchische abstractie van ervaringen in herbruikbare vaardigheden, en de gezamenlijke opbouw van een steeds groeiend vaardigheidsrepertoire. Ondanks recente vooruitgang ontbreekt het autonome webagentschappen nog steeds aan cruciale zelfverbeteringsmogelijkheden, waarbij ze worstelen met de abstractie van procedurele kennis, het verfijnen van vaardigheden, en het samenstellen van vaardigheden. In dit werk introduceren we SkillWeaver, een vaardigheidsgericht framework dat agentschappen in staat stelt om zichzelf te verbeteren door autonoom herbruikbare vaardigheden te synthetiseren als API's. Gegeven een nieuwe website, ontdekt het agentschap autonoom vaardigheden, voert ze uit om te oefenen, en destilleert oefenervaringen in robuuste API's. Iteratieve verkenning breidt continu een bibliotheek uit van lichtgewicht, plug-and-play API's, wat de mogelijkheden van het agentschap aanzienlijk verbetert. Experimenten op WebArena en echte websites demonstreren de effectiviteit van SkillWeaver, met relatieve verbeteringen in succespercentages van respectievelijk 31,8% en 39,8%. Bovendien verbeteren API's die zijn gesynthetiseerd door sterke agentschappen zwakkere agentschappen aanzienlijk door overdraagbare vaardigheden, wat verbeteringen oplevert van tot wel 54,3% op WebArena. Deze resultaten tonen de effectiviteit aan van het verfijnen van diverse website-interacties tot API's, die naadloos kunnen worden gedeeld tussen verschillende webagentschappen.

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.