用分层记忆树增强Web Agent

基于大型语言模型的Web Agent通过高级推理和指令遵循在自动化网页交互方面展现出强大潜力。虽然从历史轨迹导出的检索式记忆使这些Agent能够处理复杂、长程任务，但当前方法难以在未见过的网站上泛化。我们识别出这一挑战源于扁平记忆结构将高层任务逻辑与站点特定动作细节纠缠在一起。这种纠缠在新环境中诱发工作流错配，检索内容与当前网页混淆，导致逻辑不一致的执行。为解决这一问题，我们提出Hierarchical Memory Tree（HMT），一个旨在显式解耦逻辑规划与动作执行的结构化框架。HMT通过自动化抽象流水线从原始轨迹构建三层层级：Intent层将多样的用户指令映射为标准化任务目标；Stage层定义以可观察前置和后置条件为特征的可复用语义子目标；Action层存储与可迁移语义元素描述配对的动作模式。利用这一结构，我们开发了由Planner和Actor组成的阶段感知推理机制。Planner通过显式验证前置条件，将当前状态与正确的逻辑子目标对齐以防止工作流错配；Actor通过将存储的语义描述与目标页面匹配来落地动作。在Mind2Web和WebArena上的实验结果表明，HMT显著优于扁平记忆方法，尤其是在跨网站和跨域场景中，凸显了结构化记忆对Web Agent稳健泛化的必要性。