WebLeaper: 通过启用信息丰富寻求提升 WebAgent 的效率与效果

大语言模型（LLM）代理已成为开放式问题解决的变革性方法，信息寻求（IS）是核心能力，使其能够实现自主推理和决策。尽管 prior research 主要关注提高检索深度，但我们注意到当前 IS 代理常 suffer from 低 search efficiency，这反过来限制了整体性能。一个关键因素是训练任务中目标实体的稀疏性，这限制了代理学习和泛化高效搜索行为的机会。为此，我们提出 WebLeaper，一个用于构建高覆盖率 IS 任务并生成高效 solution 轨迹的框架。我们将 IS 建模为树结构的推理问题，使更大范围的目标实体能够嵌入受限上下文。利用筛选好的维基百科表格，我们提出三种用于合成 IS 任务的变体：Basic、Union 和 Reverse-Union，以系统性地提高 IS 的效率和效果。最后，我们通过仅保留同时准确且高效的轨迹来构建训练轨迹，确保模型在正确性和 search performance 两方面都得到优化。在五个 IS 基准测试上进行的大规模实验（BrowserComp、GAIA、xbench-DeepSearch、WideSearch 和 Seal-0）显示，我们的方法在 effectiveness 和 efficiency 上均显著优于强大的基线。