阅读更多，思考更多：重新审视 Web 代理的观察减少

基于 大语言模型 (LLM) 的 Web 代理依赖于对网页（通常表示为 HTML）的观察，作为识别可用操作和规划后续步骤的基础。先前的工作将 HTML 的冗长视为性能的障碍，并采用减少观察作为标准实践。我们重新审视这一趋势，并证明最佳观测表示取决于模型能力和思维 词元预算：（1）紧凑观测（可访问性树）对于能力较低的模型更有利，而详细观测（HTML）对于能力较高的模型有利；而且，思考词元的增加进一步放大了HTML的好处。 (2) 我们的错误分析表明，较高能力的模型会利用 HTML 中的布局信息来实现更好的动作基础，而较低能力的模型会在较长的输入下遭受更多的幻觉。我们还发现，合并观察历史可以提高大多数模型和设置的性能，并且基于差异的表示提供了一种有效的替代方案。基于这些发现，我们提出了实用指南：根据模型能力和思维 词元预算 自适应地选择观察表示，并使用基于差异的表示合并观察历史。