WebUncertainty：基于双层不确定性的自主 Web 智能体规划与推理
人工智能
2026-04-22 v2
摘要
近期大语言模型（LLM）的进展使自主 Web 智能体能够直接在真实网页上执行自然语言指令。然而，现有智能体常在涉及动态交互和长程执行的复杂任务中表现不佳，因其僵化的规划策略和易产生幻觉的推理。为此，我们提出 WebUncertainty，一个面向规划与推理双重不确定性的新型自主智能体框架。具体而言，我们设计了基于任务不确定性驱动的自适应规划机制，以适应性地选择规划模式以导航未知环境。进而，我们引入基于动作不确定性驱动的蒙特卡洞树搜索（MCTS）推理机制。该机制采用置信度诱导的动作不确定性（ConActU）策略，量化 aleatoric 不确定性（AU）和 epistemic 不确定性（EU），从而优化搜索过程并指导稳健决策。在 WebArena 和 WebVoyager 基准上的实验结果表明，WebUncertainty 在性能上优于 SOTA 基线。
引用
@article{arxiv.2604.17821,
title = {WebUncertainty: Dual-Level Uncertainty Driven Planning and Reasoning For Autonomous Web Agent},
author = {Lingfeng Zhang and Yongan Sun and Jinpeng Hu and Hui Ma and Yang Ying and Kuien Liu and Zenglin Shi and Meng Wang},
journal= {arXiv preprint arXiv:2604.17821},
year = {2026}
}