WebClipper：基于图剪枝的 Web Agent 高效演进

基于 Web Agent 的 Deep Research 系统在解决复杂信息检索任务方面展现出强大潜力，但其搜索效率仍少有研究。我们观察到，许多最先进的开源 Web Agent 依赖冗长的工具调用轨迹，其中存在循环推理与对低产出分支的探索。为此，我们提出 WebClipper，一个通过图剪枝压缩 Web Agent 轨迹的框架。具体而言，我们将智能体的搜索过程建模为状态图，并把轨迹优化转化为最小必要有向无环图（Directed Acyclic Graph，DAG）挖掘问题，得到的剪枝轨迹在保留关键推理的同时消除冗余步骤。在这些精炼轨迹上继续训练，可使智能体朝更高效的搜索模式演进，在提升准确率的同时将工具调用轮数减少约 20%。此外，我们提出名为 F-AE Score 的新指标，用于衡量模型在准确率与效率之间权衡的整体表现。实验表明，WebClipper 能在保持优异性能的前提下压缩工具调用轮数，为 Web Agent 设计中效果与效率的平衡提供了实践洞见。