ExpSeek：面向 Web 智能体的自触发经验寻求
计算与语言
2026-04-16 v2 人工智能
摘要
Web 智能体中的经验干预作为一种有前景的技术范式而兴起，通过从积累的经验中提供有价值的见解来增强智能体的交互能力。然而，现有方法主要在任务执行前将经验作为全局上下文被动注入，难以适应智能体与环境交互过程中动态变化的上下文观测。我们提出了 ExpSeek，将经验转变为步骤级的主动寻求：(1) 利用模型的内在信号估计步骤级熵阈值以确定干预时机；(2) 设计步骤级量身定制的经验内容。在四个具有挑战性的 Web 智能体基准上对 Qwen3-8B 和 32B 模型进行的实验表明，ExpSeek 分别实现了 9.3% 和 7.5% 的绝对提升。我们的实验验证了将熵作为自触发信号的可行性与优势，并揭示了即使是小规模的 4B 经验模型也能显著提升较大智能体模型的性能。代码已在 https://github.com/WYRipple/ExpSeek 发布。
引用
@article{arxiv.2601.08605,
title = {ExpSeek: Self-Triggered Experience Seeking for Web Agents},
author = {Wenyuan Zhang and Xinghua Zhang and Haiyang Yu and Shuaiyi Nie and Bingli Wu and Juwei Yue and Tingwen Liu and Yongbin Li},
journal= {arXiv preprint arXiv:2601.08605},
year = {2026}
}
备注
ACL 2026 Findings, the code is accessible at https://github.com/WYRipple/ExpSeek