Mango：通过全局视图优化的多代理网络导航

现有的 Web 代理通常从根 URL 发起探索，这对于具有深层层次结构的复杂网站来说效率低下。如果没有网站结构的全局视图，代理经常会陷入导航陷阱，探索不相关的分支，或者无法在有限的预算内获得目标信息。我们提出了 Mango，一种多代理网络导航方法，利用网站结构动态确定最佳起点。我们将 URL 选择表述为多臂老虎机问题，并采用 Thompson 采样在候选 URL 之间自适应分配导航预算。此外，我们引入了情景记忆组件来存储导航历史记录，使代理能够从以前的尝试中学习。 WebVoyager 上的实验表明，Mango 在使用 GPT-5-mini 时取得了 63.6% 的成功率，比最佳基线高出 7.3%。此外，在 WebWalkerQA 上，Mango 获得了 52.5% 的成功率，比最佳基线高出 26.8%。我们还使用开源和闭源模型作为骨干展示了 Mango 的通用性。我们的数据和代码是开源的，可在 https://github.com/VichyTong/Mango 上获取。