WebUncertainty：面向自主Web智能体的双层不确定性驱动规划与推理

大语言模型（LLM）的最新进展使自主Web智能体能够在真实网页上直接执行自然语言指令。然而，由于规划策略僵化、推理易生幻觉，现有智能体在涉及动态交互与长程执行的复杂任务上常常表现吃力。为解决这些局限，我们提出WebUncertainty，一个旨在应对规划与推理两层不确定性的新型自主智能体框架。具体而言，我们设计了任务不确定性驱动的自适应规划机制，自适应地选择规划模式以应对未知环境。此外，我们引入动作不确定性驱动的蒙特卡洛树搜索（Monte Carlo tree search，MCTS）推理机制。该机制融入置信度诱导的动作不确定性（Confidence-induced Action Uncertainty，ConActU）策略，同时量化偶然不确定性（aleatoric uncertainty，AU）与认知不确定性（epistemic uncertainty，EU），从而优化搜索过程并引导稳健决策。在WebArena与WebVoyager基准上的实验结果表明，WebUncertainty取得了优于最先进基线的性能。