WebArena：真实网页环境下的自主智能体构建与评估

WebArena 是卡内基梅隆大学在 ICLR 2024 上发表的论文成果，提出并实现了一个高度逼真、可复现的网页环境，专门用于开发和评估基于自然语言指令的自主智能体（Autonomous Agents）。本文详细介绍该论文的核心内容。

解决什么问题？

随着大语言模型（如 GPT-4）的快速发展，研究者们开始探索让 AI 智能体通过自然语言指令完成日常任务。然而，现有的智能体评估环境存在几个严重问题：

过于简化、不真实：很多环境功能受限，使用静态缓存页面，无法反映真实网页的复杂交互。
任务复杂度低：现有任务往往只需要几步操作，缺乏长序列、需要规划和探索的任务。
评估方式不合理：很多环境只比较预测动作序列与参考序列的文本相似度，忽略了功能正确性。
不可复现：依赖真实网站会导致 CAPTCHA、内容变动等问题，难以公平比较。

这些问题导致智能体在模拟环境里表现不错，但一到真实世界就'翻车'。论文的目标就是构建一个既高度真实又完全可复现的网页环境。

如何解决？—— WebArena 的核心设计

WebArena 的核心是一个独立、可自托管的网页环境，使用 Docker 容器封装，所有网站都是开源实现 + 从真实网站采样数据填充，完全脱离真实互联网。

1. 包含的网站与工具

论文根据作者们真实浏览器历史分析，选出了互联网上最常见的四大类网站，并各实现了一个功能完整的实例：

电商平台：OneStopShop（类似 Amazon/eBay），支持浏览、搜索、购物车、下单等完整流程。
社交论坛：类似 Reddit，支持发帖、评论、子版块等。
协作开发平台：基于真实 GitLab 开源代码搭建，支持仓库、Issue、Merge Request 等。
内容管理系统（CMS）：类似在线商店后台，支持商品管理、订单查看等。

此外，还加入了人类常用辅助工具（作为独立网站）：地图、计算器、便签本以及知识资源（英文 Wikipedia、各网站的用户手册）。

2. 观察空间（Observation Space）

为了尽可能贴近人类浏览体验，观察包括当前 URL 和所有打开的标签页，以及当前焦点标签页的内容。可选择三种表示方式：原始 HTML DOM 树、截图、可访问性树（Accessibility Tree，推荐）。支持多标签页操作，是首个明确支持多标签的网页智能体环境。

3. 动作空间（Action Space）

设计了一套仿键盘 + 鼠标的复合动作，包括元素操作（click、hover、type、press 键、scroll）、标签页操作（new_tab、tab_focus、tab_close）和导航操作（go_back、go_forward、goto URL）。元素选择支持坐标或元素 ID（在可访问性树或 DOM 中自动标注的唯一编号）。

4. 基准任务集（Benchmark）

论文发布了 812 个测试任务，来自 241 个模板。任务特点为高层次自然语言指令、长序列需要规划。分为信息查找、站点导航、内容与配置操作三大类。还有一部分不可完成任务，考察智能体是否会胡编。

5. 评估方式：强调功能正确性

这是 WebArena 最亮眼的设计之一：

信息查找类：提供参考答案，使用 exact_match、must_include 或 GPT-4 做 fuzzy_match 评估语义等价。
导航与操作类：编写程序直接检查执行轨迹中的中间状态（数据库、最终页面内容、URL 等），验证是否真正达到了目标。

这种评估方式更可靠、容错，也更贴近真实需求。

实验结果：当前顶尖模型还差得很远

论文用 GPT-4、PaLM-2 等模型做了基线实验，最佳配置端到端成功率只有 14.41%，而人类在相同任务上的成功率是 78.24%。这说明当前大模型在复杂、长序列的真实网页任务上仍有巨大差距。

总结与意义

WebArena 的贡献在于提供了一个真实感极强的网页环境，完全可复现、自托管，发布了高质量、长序列、功能正确性评估的基准任务。项目已完全开源：代码、环境复现脚本、任务、视频演示都在 https://webarena.dev/。

WebArena Benchmark 使用指南（基于官方 GitHub 仓库）

WebArena 是 ICLR 2024 论文的开源实现，一个独立、自托管的网页环境，用于测试自主 Agent 在真实网页任务上的性能。仓库地址：https://github.com/web-arena-x/webarena。

它包含 812 个长序列任务，强调功能正确性评估。截至 2025 年底，最强单 Agent 已达 64.2%。Leaderboard：https://docs.google.com/spreadsheets/d/1M801lEpBbKSNwP-vDBkC_pF7LdyGU1f_ufZb_NWNBZQ/edit?usp=sharing（手动提交结果）。

使用门槛：需要 Docker/Python 经验，高配机器。不能用官网 demo 跑正式实验，必须本地自建环境确保可复现。

1. 前提条件（Prerequisites）

Python 3.10+
Conda（推荐）
Docker（环境托管）
OpenAI API Key（基线 Agent 用，export OPENAI_API_KEY=sk-...）
高内存/CPU（推荐 AWS AMI 预装镜像，避免手动建站）

2. 安装依赖（Installation）

conda create -n webarena python=3.10 conda activate webarena pip install -r requirements.txt playwright install# 安装浏览器（Chromium 等） pip install -e .# 可编辑安装# 可选：开发模式 pip install -e ".[dev]" mypy --install-types --non-interactive browser_env agents evaluation_harness pip install pre-commit pre-commit install

3. 搭建环境（Environment Setup）

环境用 Docker 运行多个网站（OneStopShop 电商、Reddit、GitLab、CMS、地图、Wikipedia 等）。

详见 /environment_docker/README.md。
推荐：用 AWS AMI（预装所有网站，快速启动）。
启动后，配置网站 URL（替换为你的域名/端口）：

export SHOPPING="<your_shopping>:7770"
export SHOPPING_ADMIN="<your_cms>:7780/admin"
export REDDIT="<your_reddit>:9999"
export GITLAB="<your_gitlab>:8023"
export MAP="<your_map>:3000"
export WIKIPEDIA="<your_wiki>:8888/wikipedia_en_all_maxi_2022-05/A/User:The_other_Kiwix_guy/Landing"
export HOMEPAGE="<your_home>:4399"

重置环境：用脚本恢复初始状态。
获取自动登录 Cookie：

mkdir -p ./.auth
python browser_env/auto_login.py

4. 生成任务配置（Generate Config Files）

python scripts/generate_test_data.py

输出 812 个 .json 到 /config_files/（每个任务的高层意图 + 验证器）。

5. 快速测试（Quick Start）

用 minimal_example.py 体验 Gym-like 接口：

from browser_env import ScriptBrowserEnv, create_id_based_action
import random

env = ScriptBrowserEnv(
    headless=False, # headless=True 后台运行
    observation_type="accessibility_tree", # 或 "html" / "screenshot"
    current_viewport_only=True,
    viewport_size={"width":1280,"height":720},
)

config_file = "config_files/0.json" # 示例任务
obs, info = env.reset(options={"config_file": config_file})

# 示例动作：ID-based click（推荐，精确无歧义）
id_ = random.randint(0,1000)
action = create_id_based_action(f"click [{id_}]")
obs, _, terminated, _, info = env.step(action)

观察：URL + 多标签页 + 内容（Accessibility Tree 最优）。动作：click/hover/type/new_tab 等。

6. 运行基线 Agent & 评估（Run Baselines & Evaluate）

用 run.py 跑 few-shot/CoT Agent（GPT-4o 等）：

python run.py \
  --instruction_path agent/prompts/jsons/p_cot_id_actree_2s.json \
  --test_start_idx 0 \
  --test_end_idx 812 # 全 benchmark \
  --model gpt-4o # 或 gpt-3.5-turbo \
  --result_dir ./results

输出：HTML 轨迹（./results/0.html），自动评估成功率。
并行跑：/parallel_run.sh。
评估：/evaluation_harness 检查功能正确性（r_info / r_prog），支持离线验证。
结果上传 Leaderboard 分享。

7. 实现自己的 Agent

提示工程：在 /agent/prompts/raw 定义 JSON（intro/examples/template/meta_data）。
Prompt Constructor：继承 /agent/prompts/prompt_constructor.py，实现 construct（建输入）和 _extract_action（解析输出）。
示例：CoT/ReAct 风格，支持 ID-based 动作。
集成其他 LLM：/llms/。

8. 关键目录

目录/文件	作用
`/agent`	Agent 提示 & 实现
`/browser_env`	浏览器环境 & 自动登录
`/config_files`	任务 JSON
`/environment_docker`	Docker 搭建
`/evaluation_harness`	评估工具
`/resources`	人类轨迹/执行记录
`run.py`	主运行脚本
`minimal_example.py`	快速 demo

9. 常见问题 & 更新（2025）

bug 修复：v0.2.0 修复标注错误；2025 更新 mypy 类型检查、地图后端内存。
扩展：新 benchmark（终端/编码任务，12/2024）；ZenoML 集成（/scripts/webarena-zeno.ipynb）。
问题：Docker 镜像大，用 AMI；CVE-2025-4022 已修补。
社区：GitHub Issues；X 上活跃讨论新 SOTA。

资源：

官网：https://webarena.dev/（视频/任务示例）
论文/轨迹：仓库 /resources
跑完分享结果到 Leaderboard，推动研究！

WebArena：真实网页环境下的自主智能体构建与评估