WebOperator: Actiebewuste Boomzoektocht voor Autonome Agents in Webomgevingen

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

December 14, 2025

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

cs.AI

Samenvatting

Op LLM gebaseerde agents werken vaak op een gretige, stapsgewijze manier, waarbij acties uitsluitend worden geselecteerd op basis van de huidige observatie zonder rekening te houden met langetermijngevolgen of alternatieve paden. Dit gebrek aan vooruitziendheid is vooral problematisch in webomgevingen, die slechts gedeeltelijk observeerbaar zijn - beperkt tot browser-zichtbare inhoud (bijv. DOM- en UI-elementen) - waarbij een enkele misstap vaak complexe en broze navigatie vereist om ongedaan te maken. Zonder een expliciet backtracking-mechanisme hebben agents moeite om fouten te corrigeren of alternatieve paden systematisch te verkennen. Boomzoekmethoden bieden een principieel kader voor dergelijke gestructureerde exploratie, maar bestaande benaderingen missen mechanismen voor veilige backtracking, waardoor ze vatbaar zijn voor onbedoelde neveneffecten. Ze veronderstellen ook dat alle acties omkeerbaar zijn, waarbij ze de aanwezigheid van onomkeerbare acties negeren - beperkingen die hun effectiviteit in realistische webtaken verminderen. Om deze uitdagingen aan te pakken, introduceren we WebOperator, een boomzoekraamwerk dat betrouwbare backtracking en strategische exploratie mogelijk maakt. Onze methode integreert een best-first zoekstrategie die acties rangschikt op basis van zowel beloningsschattingen als veiligheidsoverwegingen, samen met een robuust backtracking-mechanisme dat de haalbaarheid van eerder bezochte paden verifieert voordat ze worden afgespeeld, om onbedoelde neveneffecten te voorkomen. Om de exploratie verder te sturen, genereert WebOperator actiekandidaten vanuit meerdere, gevarieerde redeneercontexten om diverse en robuuste verkenning te waarborgen, en kurateert vervolgens een hoogwaardige actieset door ongeldige acties vooraf uit te filteren en semantisch equivalente acties samen te voegen. Experimentele resultaten op WebArena en WebVoyager demonstreren de effectiviteit van WebOperator. Op WebArena behaalt WebOperator een state-of-the-art slagingspercentage van 54,6% met gpt-4o, wat het kritieke voordeel onderstreept van het integreren van strategische vooruitziendheid met veilige uitvoering.

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.