BrowserAgent: Создание веб-агентов с действиями для просмотра веб-страниц, вдохновленными поведением человека

BrowserAgent: Building Web Agents with Human-Inspired Web Browsing Actions

October 12, 2025

Авторы: Zhengbo Zhang, Zhiheng Lyu, Junhao Gong, Hongzhu Yi, Xinming Wang, Yuxuan Zhou, Jiabing Yang, Ping Nie, Yan Huang, Wenhu Chen

cs.AI

Аннотация

Эффективное решение реальных задач с использованием больших языковых моделей (LLM) всё больше зависит от их способности взаимодействовать с динамическими веб-средами и автономно получать внешнюю информацию. Хотя недавние исследования, такие как Search-R1 и WebDancer, демонстрируют высокую производительность в решении веб-задач, они сильно полагаются на дополнительные инструменты для преобразования интерактивной веб-среды в статический текстовый контент. Это контрастирует с поведением человека при просмотре веб-страниц, которое включает разнообразные взаимодействия с браузером, такие как прокрутка, клики и ввод текста. В данной статье мы предлагаем BrowserAgent — более интерактивного агента, который решает сложные задачи с помощью действий, вдохновлённых поведением человека в браузере. BrowserAgent работает напрямую с исходными веб-страницами через Playwright, используя набор предопределённых действий браузера. Мы применяем двухэтапное обучение (Supervised Fine-Tuning (SFT) и Rejection Fine-Tuning (RFT)) для улучшения способностей модели к обобщению. Несмотря на использование значительно меньшего объёма обучающих данных по сравнению с Search-R1, BrowserAgent демонстрирует более конкурентоспособные результаты в различных задачах Open-QA. Кроме того, мы вводим явный механизм памяти для хранения ключевых выводов между шагами, что дополнительно улучшает способности модели к рассуждению в задачах с длительным горизонтом. Примечательно, что BrowserAgent-7B может достичь улучшения примерно на 20% по сравнению с Search-R1 в задачах многошагового QA, таких как HotpotQA, 2Wiki и Bamboogle. Эти результаты указывают на то, что BrowserAgent может служить более продвинутой основой для создания более интерактивных и масштабируемых веб-агентов.

English

Efficiently solving real-world problems with LLMs increasingly hinges on their ability to interact with dynamic web environments and autonomously acquire external information. While recent research like Search-R1 and WebDancer demonstrates strong performance in solving web tasks, they heavily rely on additional tools to convert the interactive web environment into static text content. This is in contrast to human browsing behaviors, which involve diverse interactions with the browser, such as scrolling, clicking, and typing. In this paper, we propose BrowserAgent, a more interactive agent that solves complex tasks through human-inspired browser actions. BrowserAgent operates directly on raw web pages via Playwright through a set of predefined browser actions. We adopt a two-stage training (Supervised Fine-Tuning (SFT) and Rejection Fine-Tuning (RFT)) to improve the model's generalization abilities. Despite using significantly less training data than Search-R1, BrowserAgent achieves more competitive results across different Open-QA tasks. Additionally, we introduce an explicit memory mechanism to store key conclusions across steps, further enhancing the model's reasoning capabilities for long-horizon tasks. Notably, BrowserAgent-7B can achieve around 20\% improvement over Search-R1 on multi-hop QA tasks like HotpotQA, 2Wiki, and Bamboogle. These results indicate that BrowserAgent can serve as a more advanced framework for more interactive and scalable web agents.