Signal-Driven Observation for Long-Horizon Web Agents：长周期 Web 智能体的信号驱动观测机制

背景

当前，基于大语言模型（LLM）的 Web 智能体（Web Agents）在尝试执行长周期、多步骤的复杂任务时，面临着严峻的上下文管理挑战。这些智能体在每一个动作步骤（action step）中，通常都需要摄入原始的 DOM（文档对象模型）结构和辅助功能树（accessibility trees）。随着网页结构的复杂化，这些原始数据往往包含数万个 token。

这种“每步必读”的架构导致了一个严重的问题：上下文退化（Context Degradation）。由于每次动作都强制加载全量页面信息，智能体的上下文窗口迅速被无关噪声填满。这种信息过载使得智能体的推理能力在任务完成之前就已经显著衰退，导致长周期任务的成功率大幅下降。

现有的主流设计将“观测频率”与“动作频率”紧密耦合，即每执行一个动作，就重新观察一次完整的页面状态。本文指出，这种耦合在架构上是一个错误，它忽视了人类浏览网页时的选择性注意力机制，也违背了信息检索中“按需查询优于全量读取”的原则。

核心内容

为了解决上述问题，作者提出了一种名为 Signal-Driven Observation (SDO，信号驱动观测) 的新架构。该架构的核心思想是解耦观测与动作，引入一个专用的子调用（sub-call）机制，仅在必要时才进行深度页面解析。

1. 核心机制：SDO 子调用

SDO 并非在每一步都读取整个 DOM，而是作为一个独立的子程序运行。其工作流程如下：

• 全量读取，精简输出：SDO 子调用会读取完整的 DOM 结构，但不会将所有内容返回给主智能体。相反，它只返回与当前任务相关的元素及其对应的选择器（selectors）。
• 按需触发：该子调用不会被频繁激活。只有当轻量级的“信号检测器”（signal detector）被触发时，SDO 才会被重新调用。

2. 触发信号（Signals）

SDO 的激活依赖于特定的环境变化信号，主要包括以下四类：

• URL 转换：当页面发生跳转或导航时。
• 新可见交互元素：当页面上出现新的、用户可交互的组件（如弹窗、新加载的按钮）时。
• 动作失败：当智能体执行的操作未产生预期结果时，需要重新审视页面状态以进行调试或重试。
• 外部浏览器事件：由浏览器本身触发的其他外部事件。

3. 理论依据

这一设计灵感来源于 Recursive Language Models（递归语言模型） 的研究洞察：在处理长文档时，“查询文档”（querying）的效果优于“通读全文”（reading wholesale）。SDO 将这一理念应用于 Web 智能体，通过压缩观测数据，确保智能体的上下文窗口始终聚焦于高信息密度的相关内容，从而维持长期的推理能力。

关键要点

• 架构痛点：现有 Web 智能体在长周期任务中，因每步摄入数万 token 的原始 DOM/辅助功能树，导致上下文迅速退化，推理能力在任务结束前即失效。
• 根本原因：将“观测频率”与“动作频率”强耦合是架构设计上的失误，造成了巨大的计算浪费和信息噪声。
• 解决方案：提出 Signal-Driven Observation (SDO)，通过专用的子调用机制，仅返回任务相关的元素和选择器，而非全量 DOM。
• 触发机制：SDO 仅在检测到特定信号时激活，包括 URL 变化、新交互元素出现、动作失败或外部浏览器事件。
• 设计哲学：借鉴递归语言模型中“查询优于全读”的理念，将观测压缩视为 Web 智能体设计的核心架构决策。
• 开放问题：作者指出 SDO 引入了一系列新的开放性问题，呼吁社区共同研究如何优化观测压缩策略。

意义与影响

Signal-Driven Observation (SDO) 的提出标志着 Web 智能体架构从“被动全量感知”向“主动按需感知”的重要转变。

1. 提升长周期任务成功率：通过消除无关信息的干扰，SDO 能够显著延缓上下文窗口的退化，使智能体能够在更长的时间跨度内保持高质量的推理能力，这对于执行需要数十步甚至上百步的复杂 Web 任务至关重要。
2. 优化资源效率：减少不必要的 DOM 解析和 token 传输，不仅降低了计算成本，也减少了网络延迟，提升了智能体的响应速度。
3. 重塑设计范式：文章呼吁社区将“观测压缩”（observation compression）视为 Web 智能体设计的核心架构决策，而非事后优化的补丁。这将推动未来 Web 智能体在数据预处理、状态管理和上下文工程方面的创新。
4. 促进标准化研究：通过明确 SDO 引入的开放问题，作者为学术界和工业界提供了一个新的研究方向，即如何定义和检测“相关信号”，以及如何构建高效的信号检测器。

总之，SDO 为解决 Web 智能体的“上下文瓶颈”提供了一条切实可行的技术路径，有望成为下一代长周期 Web 自动化代理的基础设施。