CI4A：赋能网页自动化的面向智能体语义组件接口

尽管大语言模型在高层语义规划上表现出色，它们在处理细粒度、低层的网页组件操作上仍然受限。为解决这一局限，大量研究聚焦于通过强化学习等技术增强模型接地能力。然而，我们不强迫智能体适应以人为中心的界面，而是提出构建专为智能体优化的交互界面。本文提出面向智能体的组件接口（CI4A），一种语义封装机制，把 UI 组件的复杂交互逻辑抽象为智能体可访问的统一工具原语。我们在工业级前端框架 Ant Design 中实现了 CI4A，覆盖 23 个类别的常用 UI 组件。此外，我们开发了一个混合智能体，其动作空间随页面状态动态更新，可灵活调用可用的 CI4A 工具。利用集成 CI4A 的 Ant Design，我们重构并升级 WebArena 基准来评估现有 SoTA 方法。实验结果表明，基于 CI4A 的智能体显著优于现有方法，取得 86.3% 的 SoTA 任务成功率，并伴随执行效率的大幅提升。