WebChallenger：可靠且高效的多面手 Web 代理

自主网络导航对于 LLM 代理来说仍然具有挑战性，最强大的通才系统依赖于专有推理模型，其推理成本对于此类代理最有用的重复任务来说是令人望而却步的。我们认为，这种差距并非源于模型能力不足，而是源于代理架构未能复制人类的三个认知优势：对相关页面区域的选择性关注、网站结构的持久记忆以及常见交互模式的程序流畅性。我们引入了 WebChallenger，这是一个 Web 代理框架，它通过架构设计而不是模型规模来解决每个差距，它围绕 PageMem 构建：一种从 DOM 确定性构建的结构化页面表示，将每个页面公开为具有简短摘要的语义部分的层次结构。在这个共享的基础上，我们构建了三种机制，反映了三种认知优势：分而治之的观察管道，让智能体浏览部分摘要并仅从任务相关区域提取细节；一个轻量级的探索和记忆系统，遍历每个网站一次，构建可重用的页面和元素行为地图；以及复合操作工作流程，将常见的多​​步骤交互折叠为单个代理操作，自动处理部分状态更改。由于这三个框架都通过 PageMem 运行，因此该框架可以跨网站通用，无需特定于站点的适配器。使用不带 微调 的现成开放权重模型，我们的系统在 WebArena 上实现了 56.3%，在 VisualWebArena 上实现了 48.7%，在 Online-Mind2Web 上实现了 51.0%，在 WorkArena 上实现了 70.9%，以极低的成本接近前沿专有系统。我们的代码发布于 https://github.com/jayoohwang1/webchallenger