WebClipper: 基于图的轨迹剪枝实现网络代理的高效进化

基于网络代理的深度研究系统在解决复杂信息检索任务方面展现出强大潜力，但其搜索效率仍鲜有研究。我们发现许多最先进的开源网络代理依赖于长工具调用轨迹、循环推理和无生产力分支的探索。为了解决这一问题，我们提出了WebClipper框架，通过基于图的剪枝压缩网络代理的轨迹。具体而言，我们将代理的搜索过程建模为状态图，并将轨迹优化转化为最小必要有向无环图（DAG）挖掘问题，从而生成保留关键推理步骤并去除冗余步骤的精简轨迹。在这些优化后的轨迹上进行持续训练，使代理能够进化出更高效的搜索模式，在减少约20%的工具调用次数的同时提高准确性。此外，我们引入了一个新的指标F-AE分数，用于衡量模型在准确性和效率之间的平衡能力。实验表明，WebClipper能够在保持优异性能的同时压缩工具调用次数，为网络代理设计中平衡效果与效率提供了实用见解。