arXiv cs.CL· Julien Piet, Annabella Chow, Yiwei Hou, Muxi Lyu, Sylvie Venuto, Jinhao Zhu, Raluca Ada Popa, David Wagner·· 14 小时前AI 评分52
论文主张网页智能体改用编译-执行范式替代 ReAct
Web Agents Should Adopt the Compile-and-Execute Paradigm
AI 导读
一篇 arXiv 论文认为网页智能体不应默认采用 ReAct，而应先确定任务专属程序再执行，从而限制不可信网页内容对控制流的影响。作者分析 WebArena 后发现全部任务都兼容编译-执行范式，其中 81% 可用纯静态程序完成，无需运行时调用 LLM。论文指出主要障碍在于浏览器工具缺乏类型化接口，click、type、scroll 的含义依赖页面，需要把网站交互升级为任务级 API。
正文 · AI 翻译
摘要：ReAct 已成为 LLM 智能体的默认架构，许多现有的网页智能体都遵循这一范式。我们认为，对网页智能体而言，这是一个错误的默认选择。相反，网页智能体应默认采用“编译并执行”模式：在观察运行时网页内容之前，先确定一个针对特定任务的程序，然后执行它。原因在于，网页内容混合了来自多方的输入。一个电商产品页面可能同时包含卖家的商品列表、顾客评价、赞助广告以及平台生成的推荐内容。在 ReAct 模式下，所有这些内容都会在决定下一步动作时流入模型，从而为提示注入直接开辟了一条操控智能体控制流的路径。编译并执行改变了这一边界：不可信数据可以影响预定义执行图中的值或分支，但无法重新定义用户任务，也无法导致模型在运行时合成新的动作。我们分析了流行的网页智能体基准 WebArena，发现所有任务都与编译并执行兼容，而其中 81% 的任务可以用纯静态程序完成，无需任何运行时 LLM 子程序。我们指出了在网页上采用编译并执行的主要障碍：要让它良好运行，工具必须清晰地映射到语义动作，且其效果在执行前就已知，这样编译器才有足够的信息来生成程序。网页并不会自然地暴露这种接口。诸如 click、type 和 scroll 之类的浏览器工具，其含义依赖于具体页面。在这一层进行规划是短视的：智能体只能看到当前页面上的动作，后续动作只有在其执行动作之后才会出现。要弥合这一差距，需要类型化接口，将网站交互从点击和按键转变为任务级操作。这是一个基础设施问题，而不是建模问题。网页任务默认并不需要反应性；它们需要的是类型化、完整、可审计的网站 API。
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算与语言（cs.CL）；软件工程（cs.SE） |
| 引用为： | arXiv:2605.14290 [cs.CR] |
| （或 arXiv:2605.14290v2 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.14290 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Julien Piet [查看电子邮件]
[v1]
2026年5月14日星期四 02:48:57 UTC（187 KB）
[v2]
2026年10月23日星期五 21:29:13 UTC（307 KB）
来源：arXiv cs.CL · arxiv.org