WebOperator: Поиск по дереву с учетом действий для автономных агентов в веб-среде

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

December 14, 2025

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

cs.AI

Аннотация

Агенты на основе больших языковых моделей (LLM) часто работают жадным, пошаговым образом, выбирая действия исключительно на основе текущего наблюдения, без учета долгосрочных последствий или альтернативных путей. Эта недальновидность особенно проблематична в веб-средах, которые являются лишь частично наблюдаемыми — ограничены контентом, видимым в браузере (например, DOM и UI-элементами) — где одна ошибка часто требует сложной и ненадежной навигации для отмены. Без явного механизма возврата агенты с трудом исправляют ошибки или систематически исследуют альтернативные пути. Методы поиска по дереву предоставляют принципиальную основу для такого структурированного исследования, но существующие подходы не имеют механизмов безопасного возврата, что делает их подверженными непреднамеренным побочным эффектам. Они также предполагают, что все действия обратимы, игнорируя наличие необратимых действий — ограничения, которые снижают их эффективность в реальных веб-задачах. Для решения этих проблем мы представляем WebOperator — фреймворк поиска по дереву, который обеспечивает надежный возврат и стратегическое исследование. Наш метод включает стратегию поиска по принципу «лучший первый», которая ранжирует действия как по оценкам вознаграждения, так и по соображениям безопасности, вместе с надежным механизмом возврата, проверяющим осуществимость ранее пройденных путей перед их воспроизведением, что предотвращает непреднамеренные побочные эффекты. Для дальнейшего руководства исследованием WebOperator генерирует кандидаты действий из множества различных контекстов рассуждений, чтобы обеспечить разнообразное и устойчивое исследование, а затем формирует высококачественный набор действий, отфильтровывая недействительные действия до выполнения и объединяя семантически эквивалентные. Результаты экспериментов на WebArena и WebVoyager демонстрируют эффективность WebOperator. На WebArena WebOperator достигает наилучшего показателя успеха в 54.6% с использованием gpt-4o, подчеркивая ключевое преимущество интеграции стратегического предвидения с безопасным выполнением.

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.