WebAnything：从野生网络到可扩展 Agent 环境
🧭 Web Agent 环境自动构建与规模化
Zhejiang University · Nanyang Technological University · Shanghai Qiji Zhifeng Co., Ltd.
全自动从真实 URL 重建可重置 Web 环境，构建 244 个网站并微调模型显著提升多项 agent 成功率
📌 工作参考价值（4 点）
- 借鉴自动化环境构建架构：用浏览器自动化收集 DOM/资源/交互结果，配合独立验证器做质量门禁，可为电商类 Agent 搭建可回归的评测环境，避免手工维护镜像站。
- 利用真实网站交互轨迹微调开源模型：从线上商品页、搜索流程捕获的轨迹数据经筛选后可作为高质量训练样本，微调 Qwen 等模型对导航、加购、表单填写等任务提升明显；重点保留任务多样性和失败重试样本。
- 验证器 + 本地修复闭环可复用到数据管道或 RAG 索引构建：独立验证器检查生成内容并触发定向修复，减少人工介入，适合维护大规模商品知识库或 Agent 记忆。
- 可重置环境支持多轮重跑与错误恢复，适合做 Agent 策略 A/B 测试；可将电商搜索链路中的商品抓取、竞品价格监控等流程抽象为可执行任务，加速迭代。
长程持续学习中的 Harness-模型协同框架
🧭 Agent 持续学习 · 经验检索与参数更新协同
Huzhou Normal University · Alibaba Group · Zhejiang University · Ningxia University
HaMo 将轨迹蒸馏为策略经验卡供即时检索，并以经验条件持续学习目标实现快慢协同，提升长程 Agent 的保留与迁移能力。
📌 工作参考价值（4 点）
- 在电商/Web agent 中，把成功购物、搜索、交易等多步轨迹压缩成策略级经验卡（目标、前置条件、操作步骤、适用上下文），检索时按当前任务上下文召回，而不是直接存原始 log，可降低噪声并提升跨任务复用。
- 采用快慢结合：线上先走非参数记忆即时复用，离线用检索覆盖度筛选「紧凑且互补」的少样本轨迹做参数更新，避免频繁全量训练和遗忘；该思路可直接迁移到推荐系统的持续学习/增量训练。
- 经验条件训练目标可迁移到 RAG-style agent：不仅把检索到的策略拼进 prompt，还要用专门目标让模型学会读懂检索结果、判断其是否适用、并按策略执行，这比单纯加外部 memory 更稳定。
- 若做导购、push 文案、搜索 query 生成等长程任务，可建立跨 session 流程经验库，按场景召回候选策略，再用小模型微调内化，兼顾线上 latency 与跨域泛化。
真实 Web 深度搜索基准 OpenDS-World
🧭 真实 Web 深度搜索 Agent 基准评测 ★ 深度解读
HKUST(GZ) · Fudan University · University of Washington · Imperial College London · Nanyang Technological University
提出 OpenDS 任务与 200 题基准，12 个前沿模型最好仅 39.0% 准确率，人类 21.1%
📌 工作参考价值（4 点）
- 评估搜索/Agent 时把成本维度纳入主指标：同时记录 tool calls、wall-clock、tool failure 占比与 budget exhaustion，能发现“高消耗低收益”的执行模式；可在电商搜索 Agent 评测中复刻这套成本与终止分析。
- 业务证据获取往往跨格式（HTML/PDF/视频/结构化数据）和交互操作，不应只测最终答案；可把“证据获取路径”作为任务设计的一部分，考察 agent 能否完成筛选、时间索引、API 查询等子步骤。
- 更多调用和更长耗时不一定带来更高准确率，线上 Agent 应设置预算与早停，并监控低产出轨迹；例如限制搜索步数、对连续失败切换 tool 或终止当前链路。
- LLM-as-judge 可用较小模型做语义等价判定，但难以暴露中间证据链错误；建议在关键步骤加入 intermediate verification 或 checkpoints。
面向 Web Agent 的判别式世界模型
🧭 Web Agent 世界模型判别式训练
University of California, Berkeley · MIT-IBM Watson AI Lab · Cal Poly San Luis Obispo · Xero
用预测状态匹配训练世界模型，使预测表示能区分不同动作结果，提升 PRM 动作排序与端到端任务成功率
📌 工作参考价值（4 点）
- 训练状态模拟器时对齐下游排序目标：不要只做 next-state 重建，应加入判别式目标，使预测状态可区分不同动作的后果。在电商/搜索的 agent 场景中，若用世界模型模拟用户点击或意图变化，可改用 contrastive 或 ranking loss 训练，以辅助后续动作打分。
- 构建分支式决策数据集：从真实交互轨迹中记录每个决策点的候选动作及各自后续状态，用于训练判别式世界模型。可借鉴到搜索推荐 agent，通过离线用户日志构造“动作-结果”对比样本，避免昂贵在线探索。
- PRM/ranker 增强：将世界模型预测的状态表示拼接到 PRM 输入，能比仅用动作特征提升动作排名。在做推荐 agent 的多步决策时，可设计类似的 process reward 模型，用预测用户状态辅助评估候选推荐或 query。
- 测试时采用“候选生成 + 预测状态 + 打分”的 pipeline，可提高端到端成功率。在电商 agent 中可对候选商品或 query 做模拟排序，减少试错。
WebRider：基于意图契约的分层网页代理控制
🧭 Agent分层控制与意图契约驱动的网页任务执行 ★ 深度解读
University of California, Los Angeles · Google
分层架构与意图契约让网页代理的路径可审计，揭示高任务完成率背后仅38.8%的合约忠实度。
📌 工作参考价值（4 点）
- 将用户委托中的硬约束、证据义务显式化为意图契约，可审计每一步是否忠实执行策略，避免最终推荐看似正确但中间偏离。
- 分层控制器分离“证据充分性和停止决策”与“页面级动作选择”，高层管理状态，低层生成可执行动作，增强可控性并便于训练替换动作策略。
- 引入 guard 机制确保动作语法正确并拦截无效操作，可在电商代理中防止错误点击或状态循环，提高鲁棒性。
- 利用合约状态和 guard 过滤后的轨迹训练中间层动作策略，使动作实现可学习，对业务落地中的策略迭代具有参考价值。
Ko-WideSearch：韩语广度搜索基准，评估Web Agent穷举枚举能力
🧭 Agent 广度搜索基准
Upstage AI
提出韩语广度搜索基准Ko-WideSearch，揭示当前Agent擅长找回实体集合但严重缺失行级属性填充
📌 工作参考价值（4 点）
- 可借鉴其自动化合成-验证流水线思路，低成本构建领域内结构化信息枚举任务，用于评估搜索Agent的广度搜索能力。
- 电商场景中常有“列出XX品类下所有品牌及各自属性”需求，可参考该基准的表格化评估方式，同时关注集合完整性与单元格正确性。
- 难度旋钮设计（表格宽度、复合键）可迁移到渐进式任务生成，按需控制Agent需要跨多少页面聚合信息。
- 发现自由文本单元格是主要失败点，提示在业务Agent中应优先优化开放式属性抽取，可考虑结合知识库或结构化提示约束输出。
HANSEL：从 Web Agent 轨迹中提取面包屑以支持交互式验证
🧭 Agent 可解释性与交互式验证
University of California, Irvine
从 Web agent 多步操作轨迹中提取关键证据页面，以交互式视图呈现，将验证从被动阅读变为主动探查
📌 工作参考价值（4 点）
- Agent 验证界面设计：在电商搜索或比价 agent 中，可将 agent 访问过的关键页面（如带有特定过滤、排序、搜索词的状态）以可交互形式呈现给运营或审核人员，而非展示全量日志，快速验证推荐结果是否正确。
- 证据缺失显式标记：当 agent 输出无法对应到任何已访问页面时，自动标记“无证据”状态，防止 agent 幻觉导致错误决策（如商品推荐理由不实），这类似推荐系统中对黑盒结果增加可追溯性。
- 关键状态保留和重放：借鉴其保留页面状态（过滤条件、查询词、滚动位置）的做法，在 agent 辅助的搜索推荐管道中，可记录并复现关键决策点的上下文，方便线下复盘和规则优化。
- 轨迹压缩与证据聚焦：将 agent 全量操作日志压缩 61.6% 但仍保持高 precision/recall，这一思路可用于生成式推荐 agent 的行为总结，减少人工审核成本，同时定位关键推荐依据。
面向网络化LLM搜索智能体的轨迹感知证据生态系统
🧭 Agent ★ 深度解读
ShanghaiTech University
提出生态系统生成引擎优化视角，通过导航入口与异构支持页面协同引导智能体浏览轨迹，提升目标产品推荐成功率