Web$hell：把搜索、浏览与证据管理统一给智能体

导语

当大语言模型从“回答问题”走向“替用户完成任务”，网页访问就不再只是调用搜索引擎。一个完整任务往往需要先广泛搜集资料，再打开网页、填写表单或点击控件，最后回到此前找到的证据进行核对和综合。问题在于，现有网页智能体通常围绕单一访问方式构建：搜索增强系统擅长找信息，浏览器智能体擅长执行操作，而文件系统式接口更适合保存和复用内容。把几种能力拼接起来，往往意味着更复杂的流程、更高的调用成本，或者在性能与灵活性之间做出取舍。

Web$hell 的核心思路

Web$hell 试图用一个共同的访问模型覆盖上述场景。它的关键组件包括：

• WebContract：定义统一的数据模式，使网页中的内容与可执行元素能够用一致方式描述。
• WebCompiler：将实时网页编译成可寻址的信息对象和动作对象。前者可代表文本、资料等内容，后者则对应网页上的交互行为。
• WebCache：保存这些对象，使智能体能够在后续步骤中重新访问已经获得的信息，而不必每次都从头解析网页。
• 共享操作集合：智能体通过相同的一组操作读取信息、调用动作和管理状态，减少在不同工具之间切换的负担。

这种设计的重点，不是简单地把搜索工具和浏览器工具放进同一个系统，而是让信息和行动拥有统一、可定位、可持续使用的表示。对长时任务而言，智能体可以先建立资料视图，再执行网页操作，随后回到缓存中的证据继续推理，形成更连贯的任务轨迹。

实验与意义

论文在网页搜索、网页导航和深度研究等基准上评估 Web$hell。根据摘要，系统在这些任务中取得了较强的表现，并以较低成本完成任务。不过，当前素材没有提供具体数据、基线配置或成本定义，因此不宜据此判断它在所有场景中都优于现有方案。

更值得关注的是它对网页智能体架构的抽象：网页不再只是一次性返回的页面，也不只是供视觉模型点击的界面，而可以被编译成可管理的“信息”和“动作”资源。这样的统一接口有望减少工具编排与上下文重复处理，让智能体更适合执行需要多轮探索、操作和证据复用的工作。

当然，方案的实际价值仍取决于网页解析的稳定性、动态页面和权限限制下的动作可靠性，以及缓存内容如何保持最新。未来如果能进一步公开详细实验指标和失败案例，研究者才能更准确地评估这一接口在真实开放网络中的泛化能力。无论如何，Web$hell 提出了一个清晰方向：网页访问的下一步，可能不是继续增加工具数量，而是为搜索、交互与记忆建立共同的操作语言。

来源：Hugging Face Daily Papers