WebXSkill：面向自主Web智能体的技能学习

由大语言模型 (LLM) 提供支持的自主网络代理在完成复杂的浏览器任务方面表现出了良好的前景，但它们仍然难以应对长期工作流程。一个关键瓶颈是现有技能表述中的基础差距：文本工作流技能提供自然语言指导，但无法直接执行，而基于代码的技能是可执行的，但对代理来说不透明，无法提供错误恢复或适应的步骤级理解。我们引入了 WebXSkill，这是一个框架，它用可执行技能弥补了这一差距，每个框架都将参数化的动作程序与步骤级自然语言指导配对，从而实现直接执行和代理驱动的适应。 WebXSkill 分三个阶段运行：技能提取从现成的合成代理轨迹中挖掘可重用的动作子序列，并将其抽象为参数化技能，技能组织将技能索引到基于 URL 的图表中以进行上下文感知检索，技能部署公开两种互补模式：用于全自动多步骤执行的基础模式和引导模式，其中技能充当代理在其本机规划中遵循的分步指令。在 WebArena 和 WebVoyager 上，WebXSkill 比基线分别将任务成功率提高了 9.8 和 12.9 个点，证明了 Web 代理可执行技能的有效性。该代码可在 https://github.com/aiming-lab/WebXSkill 上公开获取。