DRIVE：用于连续学习下的 Web 智能体的推理与交互水平技能建模
人工智能
2026-05-26 v1 机器学习
摘要
Web 智能体需要具备高级推理能力（用于任务分解）和低级交互能力（用于页面元素操作），才能完成不同任务。然而，这些知识类型根本不同：推理知识（例如预订机票需要先搜索路线）抽象且可跨网站迁移，而交互知识（例如在 Site A 的特定坐标点击 Search 按钮）高度依赖页面特定上下文。现有方法统一存储经验，导致困境：抽象表征在具体页面上丢失可执行性，而具体表征则无法跨域泛化。这种纠缠限制了能力积累：在新网站上，智能体要么因表层差异未能识别可重用任务逻辑，要么因过时页面结构 attempting 不可行的动作。为此，我们提出 DRIVE，一种双水平技能建模框架，将历史经验分离为自然语言推理技能，捕获可迁移的任务逻辑，以及程序化交互技能，将抽象动作 grounding 到可执行操作。DRIVE 还使用技能水平反思识别特定层次的失败模式，实现针对性的技能库扩展和细化。在五个 WebArena 领域的实验中，DRIVE 实现了平均 52.8% 的任务成功率，显著高于无技能基线的 7.3 个百分点。进一步的消融实验表明，推理技能和交互技能提供了独特且互补的益处，支持将可迁移的任务逻辑与可执行的页面级操作分离。
引用
@article{arxiv.2605.23939,
title = {DRIVE: Modeling Skills at the Reasoning and Interaction Levels for Web Agents under Continual Learning},
author = {Xirui Liu and Sihang Zhou and Yanning Hou and Rong Zhou and Haoyuan Chen and Maolin He and Siwei Wang and Hao Chen and Jian Huang},
journal= {arXiv preprint arXiv:2605.23939},
year = {2026}
}
备注
35 pages, 5 figures