STRUCTUREDAGENT：用AND/OR树规划长程Web任务

大型语言模型（LLM）的最新进展使Agentic系统得以执行序贯决策。这类Agent必须感知环境、跨多个时间步推理，并采取优化长期目标的行动。然而，现有Web Agent在复杂、长程任务上表现挣扎，原因在于跟踪历史的上下文内记忆有限、规划能力弱，以及导致过早终止的贪心行为。为应对这些挑战，我们提出STRUCTUREDAGENT，一个分层规划框架，包含两个核心组件：(1)使用动态AND/OR树进行高效搜索的在线分层规划器；(2)跟踪并维护候选解的结构化记忆模块，以改善信息寻求任务中的约束满足。该框架还产出可解释的分层计划，便于调试并在需要时促进人工干预。我们在WebVoyager、WebArena和自建购物基准上的结果表明，STRUCTUREDAGENT在长程网页浏览任务上优于标准LLM Agent。