Mango: 基于全局视图优化的多智能体网页导航
计算与语言
2026-04-24 v1 人工智能
摘要
现有的网页智能体通常从根URL开始探索，这对于具有深层层次结构的复杂网站来说效率低下。由于缺乏对网站结构的全局视图，智能体经常陷入导航陷阱，探索不相关的分支，或者在有限的预算内无法到达目标信息。我们提出了Mango，一种多智能体网页导航方法，它利用网站结构动态确定最优起始点。我们将URL选择形式化为一个多臂老虎机问题，并采用汤普森采样在候选URL之间自适应地分配导航预算。此外，我们引入了一个情节记忆组件来存储导航历史，使智能体能够从之前的尝试中学习。在WebVoyager上的实验表明，使用GPT-5-mini时，Mango的成功率达到63.6%，比最佳基线高出7.3%。此外，在WebWalkerQA上，Mango取得了52.5%的成功率，比最佳基线高出26.8%。我们还展示了Mango在使用开源和闭源模型作为主干时的泛化能力。我们的数据和代码是开源的，可在https://github.com/VichyTong/Mango获取。
引用
@article{arxiv.2604.18779,
title = {Mango: Multi-Agent Web Navigation via Global-View Optimization},
author = {Weixi Tong and Yifeng Di and Tianyi Zhang},
journal= {arXiv preprint arXiv:2604.18779},
year = {2026}
}