RunAgent SuperBrowser：扎根人类浏览行为的自主网页导航理论

我们提出了 SUPERBROWSER，这是一种自主网络导航代理，它是根据一个指导假设而设计的：网络代理应该以人浏览的方式进行浏览。阅读页面的人不会保留他们所看到的每个像素；他们会查看几个候选目标，做出一个决定，然后只记住保持目标所需的内容。我们将这种感知-认知-行动三元组运作为三个耦合机制。首先，视觉优先的边界框管道在每个屏幕截图上标记候选交互区域，并将它们异步预取到语言模型，以便“眼睛”先于“手”。其次，一个三角色大脑——一个分类和路由的协调器、一个每隔几步评估进度的规划器、以及一个发出每一步行动的工作人员——将战略推理与操作推理分开。第三，结构化账本只存储人们会存储的内容：目标、最后三个行动、一小部分事实和死胡同，以及一些检查点；六阶段驱逐循环系统地丢弃过时的屏幕截图、状态 blob 和实时上下文中的推理痕迹。动作执行是一个三层点击级联（Chrome DevTools 协议到 Puppeteer 到脚本化），具有人性化的贝塞尔运动，加上 V 形感知的边界框捕捉器，解决了“大标签旁边的小箭头”的歧义。在 Mind2Web Hard 基准测试（66 项任务）上，SUPERBROWSER 取得了 89.47% 的成功率，总体排名第三，并且大幅领先于所有已发布的开放/研究浏览器代理基准。我们认为，收益不是来自任何单一的技巧，而是来自整个系统中认知契约的一致应用。