Web$hell、検索・ブラウザ操作・証拠をAIエージェント向けに統合

導入

大規模言語モデルが質問に答えるだけでなく、調査や予約、情報整理といった作業を代行するようになると、ウェブへのアクセス方法が重要な基盤になる。実際のタスクでは、検索結果を広く集め、複数のページを確認し、ボタンやフォームを操作し、最後に最初に見つけた証拠へ戻って内容を照合する必要がある。これは単純な検索とも、単発のブラウザ操作とも異なる。

既存の方式にはそれぞれ得意分野がある。検索拡張型のエージェントは情報収集に向き、ブラウザ型のエージェントはページ上の操作に向く。ファイルシステム型のインターフェースは、取得した内容を保存し再利用する上で便利だ。しかし、これらを組み合わせると、ツール間の調整やコンテキストの再処理が増え、コストと性能のトレードオフが生じやすい。

Web$hellの構成

Web$hellは、異なるアクセス方式を一つのモデルにまとめようとする。中心となる要素は次の通りだ。

• WebContract：ウェブ上の情報と実行可能な要素を記述する共通スキーマを定める。
• WebCompiler：ライブウェブページを、アドレスを指定できる情報オブジェクトとアクションオブジェクトへ変換する。
• WebCache：生成されたオブジェクトを保持し、後のステップで再び参照できるようにする。
• 共通操作：情報の読み取り、アクションの実行、状態の扱いを同じ形式で行う。

重要なのは、検索APIとブラウザを単純に同梱することではない。ページ上の文章やデータと、クリックや入力などの行為を、同じ枠組みで位置付け、操作し、保持できる点にある。エージェントはまず証拠を集め、その後にページ上の操作を行い、さらにキャッシュした内容へ戻って比較や統合を進められる。

評価と意義

論文では、ウェブ検索、ウェブナビゲーション、深層調査のベンチマークを用いてWeb$hellを評価している。提供された概要によれば、複数の設定で強いタスク性能を示し、より低いコストで処理できたという。ただし、素材には具体的なスコア、比較対象、コストの定義が含まれていないため、すべての既存方式を上回るとまでは判断できない。

この研究の意義は、ウェブページを一度きりのテキスト応答や、視覚モデルがクリックするだけの画面として扱わない点にある。ページを再利用可能な情報とアクションの資源へ変換することで、ツール切り替えの負担を減らし、証拠の再訪をエージェントの基本動作にできる可能性がある。

一方で、動的に生成されるページ、レイアウトの変更、認証が必要なサイトでコンパイルがどこまで安定するかは今後の課題だ。キャッシュの鮮度や、アクションを安全に実行できるかも重要になる。詳細な数値と失敗事例が公開されれば、オープンウェブでの実用性をより正確に評価できるだろう。Web$hellが示す方向は明快だ。ウェブエージェントの進化には、ツールを増やすだけでなく、検索、操作、記憶を共通の操作言語で結ぶことが必要になる。

出典：Hugging Face Daily Papers