一分钟读论文：《智能体网页导航的范式转变》

围绕 Web 智能体（能像人一样点击按钮、填写表单、滚动页面并处理弹窗的大语言模型程序）的一组基准研究。

WebArena《A Realistic Web Environment for Building Autonomous Agents》、Mind2Web《Towards a Generalist Agent for the Web》、WebVoyager《Building an LLM Agent for Interactive Web Navigation》、OSWorld《Benchmarking Multimodal Agents for Realistic Operating System Tasks》 与统一框架 BrowserGym《A Unified Framework for Web Agent Research》——共同勾勒出 AI 与互联网交互的一次范式转变：

从被动检索（Passive Retrieval）转向主动导航（Active Navigation）。

在 812 个真实任务的 WebArena 基准上，GPT-4 的任务成功率仅约 16%，人类基线为 80% 以上，能力缺口清晰可量化。

从检索文本到操作网页

传统搜索与检索增强生成（RAG，即先取回文本片段再生成答案）只能读取已索引的静态文本；信息若未被索引，对模型而言就不存在。智能体网页导航接收的是任务目标而非查询词，模型实时访问多个网站、点击搜索结果、填写比较表单、聚合跨页信息，触达可能永远不会被索引的当前内容。交互模式由此从知识检索器变为问题求解者。

智能体的运行遵循推理、行动、观察、反思的循环，直至目标达成或步数耗尽。核心难点是上下文管理：每一步产生数百到数千 Token 的观测数据，在线购物等 10+ 页面的任务会让上下文窗口迅速填满。

观测方式与基准数据

观测分两类：DOM/无障碍树方式获得结构化元素数据，定位精准但有隐私暴露与解析成本；截图方式由视觉语言模型（VLM，即同时理解图像与文本的模型）预测点击坐标，对布局变化更鲁棒但单次观测消耗 2000-5000 Token。BrowserGym 原生支持两种模式，混合使用成为新兴最佳实践。

各基准数据勾勒出现状：MiniWoB++ 的 125 个微任务上，当前最优智能体成功率约 60-70%；WebArena 上 GPT-4 约 16%；Mind2Web 覆盖 500+ 个网站的 2000+ 个任务，GPT-4 约 30%；WebVoyager 在 15 个真实网站的 643 个任务上借自探索机制（智能体无任务指导下先学习网站结构）达到约 25%；扩展到完整操作系统的 OSWorld 上，最优成绩约 15%。失败模式集中在导航错误、表单填写失误与多步规划中断。

产品化与主要障碍

OpenAI 的 GPT-4o Computer Use 以截图输入、鼠标键盘坐标输出实现端到端视觉操作，是首个生产级网页导航接口；谷歌 Gemini Computer Use 支持截图加文本指令的多模态输入，覆盖 Web、Android 与桌面环境。

障碍有四：安全上，智能体会执行越界操作；可靠性上，网站改版即可导致智能体失效；成本上，多步任务累计 50000-200000 Token、每步增加 1-5 秒延迟；伦理上，智能体浏览与自动化抓取的边界模糊。若要判断该领域进入主流应用，可盯住两个观察点：Computer Use 产品是否在 2026 年下半年达到 50% 以上成功率且单步延迟低于 10 秒，复杂基准成功率是否从当前的 20-30% 跃升至 50% 以上。相关评测基础设施的演进可参阅本站的 AgentGym2 去理想化评测范式雷达。

References

• WebArena: A Realistic Web Environment for Building Autonomous Agents
• Mind2Web: Towards a Generalist Agent for the Web
• WebVoyager: Building an LLM Agent for Interactive Web Navigation
• OSWorld: Benchmarking Multimodal Agents for Realistic Operating System Tasks
• BrowserGym/AgentLab: A Unified Framework for Web Agent Research
• MiniWoB++: Micro-Task Web Benchmark