AutoTailor：面向Web智能体的自动、用户对齐的能力选择与适应

Web智能体可通过复用工具降低低级别浏览器交互的成本和延迟，但自动发现的工具集合可能规模庞大、冗余且与用户需求对齐不佳。我们提出AutoTailor，一种元智能体框架，用于构建和维护一套由轨迹衍生的模型上下文协议（MCP）API集合。离线阶段，AutoTailor将Web轨迹转换为参数化的浏览器自动化程序，应用质量过滤器去除粒度不当和功能冗余的API，同时通过使用可能性过滤器优先保留广泛适用的能力并保持语义覆盖。在线阶段，动态重选监控任务结果和API使用情况，识别反复出现的覆盖缺失，增加相关候选能力，并修剪长期未使用的功能。我们在106个WebArena Postmill任务上评估AutoTailor。离线过滤将初始的1,283个未经优化的API缩减至87个，动态重选最终生成一个33个API的集合。在启用推理与操作（ReAct）回退机制下，该集合达到90.6%的正确率，优于仅使用ReAct的87.5%正确率，同时将平均总请求令牌成本降低57.8%，延迟降低29.4%。在不启用ReAct的情况下，正确率为60.1%，与未优化集合大致相当，请求令牌使用量减少94.9%。这些结果表明，静态过滤能构建一个紧凑的API库存，以支持核心且高概率的任务，而动态重选进一步根据观测到的用户需求对库存进行优化。该组合在提升准确性和效率的同时，显著降低令牌消耗和端到端成本，验证了用户对齐能力管理在高效Web智能体中的价值。