Prune4Web：面向 Web Agent 的 DOM 树剪枝编程

Web 自动化利用智能代理通过模拟人类与网页界面交互来执行高层任务。尽管近期大型语言模型（LLM）基于 Web 的代理具备相应能力，但在高效导航复杂真实网页方面仍是重大挑战，由于文档对象模型（DOM）结构的庞大大小，通常范围在 1 万至 10 万 token 之间。现有策略通常依赖粗糙的 DOM 截断——风险在于丢失关键信息——或采用低效的启发式方法和独立的排序模型，难以在精度与可扩展性之间实现最佳平衡。为此，我们引入 Prune4Web，这是一种新范式，将 DOM 处理从资源密集型的 LLM 读取转向高效的程序化剪枝。我们方法的核心是 DOM 树剪枝编程，即 LLM 生成可执行的 Python 评分脚本，以基于分解子任务中的语义线索动态筛选 DOM 元素。该机制消除了 LLM 必须摄入原始大型 DOM 的需求，转而将遍历和评分委托给轻量、可解释的程序。该方法实现了对候选元素的 25 倍至 50 倍降低，从而促进了精确的动作定位，同时缓解了注意力稀释。此外，我们提出了一套专门的数据标注管道和两轮对话训练策略，在统一框架中联合优化 Planner、Programmatic Filter 和 Grounder。广泛的实验结果表明，我们实现了最先进的性能。值得注意的是，在我们的低级定位任务上，Prune4Web 将准确率从 46.8% 提升至 88.28%，凸显了其在真实世界 Web 自动化中的有效性。