SynthAgent: 基于合成监督的网页智能体自适应框架

网页智能体在适应新网站时面临任务稀缺和演示不足的挑战。近期研究尝试通过合成数据生成来解决此问题，但存在合成任务包含幻觉无法执行，以及收集的轨迹噪声多且动作不一致等数据质量问题。本文提出SynthAgent，一个通过双重优化既优化任务又优化轨迹的全合成监督框架，以提高合成数据的质量。我们的方法通过对网页元素的分类探索来合成多样化任务，确保对目标环境的高效覆盖。在轨迹收集过程中，仅在检测到与观察冲突时才优化任务，从而减缓幻觉的产生并保持任务一致性。收集后，我们利用全局上下文进行轨迹优化，以缓解潜在的噪声或误差。最后，我们在优化后的合成数据上微调开源网页智能体，以适应目标环境。实验结果表明，SynthAgent优于现有的合成数据方法，验证了高质量合成监督的重要性。代码已公开发布于https://github.com/aiming-lab/SynthAgent。