WebOperator: Busca em Árvore com Consciência de Ação para Agentes Autônomos em Ambientes Web

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

December 14, 2025

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

cs.AI

Resumo

Os agentes baseados em LLM frequentemente operam de forma gananciosa e passo a passo, selecionando ações unicamente com base na observação atual sem considerar consequências de longo prazo ou caminhos alternativos. Esta falta de perspicácia é particularmente problemática em ambientes web, que são apenas parcialmente observáveis - limitados ao conteúdo visível no navegador (por exemplo, elementos DOM e de UI) - onde um único passo em falso frequentemente exige uma navegação complexa e frágil para ser desfeito. Sem um mecanismo explícito de retrocesso, os agentes lutam para corrigir erros ou explorar caminhos alternativos de forma sistemática. Métodos de busca em árvore fornecem uma estrutura principiada para tal exploração estruturada, mas as abordagens existentes carecem de mecanismos para retrocesso seguro, tornando-as propensas a efeitos colaterais não intencionais. Elas também assumem que todas as ações são reversíveis, ignorando a presença de ações irreversíveis - limitações que reduzem sua eficácia em tarefas web realistas. Para enfrentar esses desafios, introduzimos o WebOperator, uma estrutura de busca em árvore que permite retrocesso confiável e exploração estratégica. Nosso método incorpora uma estratégia de busca de melhor primeiro que classifica ações por estimativas de recompensa e considerações de segurança, juntamente com um mecanismo robusto de retrocesso que verifica a viabilidade de caminhos previamente visitados antes de reexecutá-los, prevenindo efeitos colaterais não intencionais. Para orientar ainda mais a exploração, o WebOperator gera candidatos a ação a partir de múltiplos contextos de raciocínio variados para garantir uma exploração diversificada e robusta, e subsequentemente seleciona um conjunto de ações de alta qualidade filtrando ações inválidas pré-execução e fundindo as semanticamente equivalentes. Resultados experimentais no WebArena e WebVoyager demonstram a eficácia do WebOperator. No WebArena, o WebOperator alcança uma taxa de sucesso state-of-the-art de 54,6% com o gpt-4o, sublinhando a vantagem crítica da integração da perspicácia estratégica com a execução segura.

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.