网页代理不再分家：搜索、点击、回看合成一套接口，六个基准上任务表现最高且成本更低
导语
面向网页任务的智能体接口把搜索、浏览与文件式回看统一成一套可寻址对象，在六个覆盖网页搜索、网页导航与深度研究的基准上取得最高任务表现，且成本与最强基线相当或更低。
正文
网页智能体的访问方式从三套并行方案收敛为一套统一接口：搜索、浏览器操作与文件式选择性阅读不再各自为政，而是在同一条任务轨迹里由同一组对象和操作完成。 此前搜索增强型智能体靠搜索接口和清洗后的纯文本工作，浏览器型智能体靠页面观察与动作工作，文件系统型智能体把网页存进工作区再用 grep、read 这类 shell 操作挑着看，各自只擅长信息收集或页面交互中的一类。 在 WideSearch、SealQA、WebArena-Verified、WebWalkerQA、DeepResearchBench 与 DeepWeb-Bench 六个基准上，该接口的任务表现均高于 HybridSBF、Fetch-then-Explore 与 CLI-Anything Browser，例如 WideSearch 条目 F1 为 0.782，DeepWeb-Bench 总分为 31.11。
网页被编译成带地址的信息对象与动作对象，智能体用地址指定要看什么、要执行什么，接口代为执行并返回结果。 WebContract 定义对象与页面的公共模式，WebCompiler 用源自 HTML 语义的确定性规则把抓取的网页编译成可操作表示，WebCache 保存编译结果供任务中反复选择性访问。 每个对象由地址、取值和关联三部分组成，关联保留解释取值所需的上下文与指向相关对象的引用；编译不依赖模型推理，六个基准上每页平均编译耗时 0.46 至 2.79 秒。
接下来
该接口面向需要在单条轨迹内同时做信息收集、页面操作与证据回看的网页智能体，实验覆盖网页搜索、网页导航与深度研究三类任务共六个基准，主智能体统一使用 gpt-5.6-luna，网页搜索、网页导航与深度研究的轮次预算分别为 100、50 与 200。编译开销按每页编译并存储对象的耗时单独测量，六个基准上平均为 0.46 至 2.79 秒。
分析显示，当证据检索没有返回所需信息时，智能体可能不确定下一步该看哪里，此时对象关联字段可能引导进一步检查，这一作用被列为待后续考察。缓存中未被访问的内容仍可能含有有用证据，在扩大预取规模时，9.5% 的参考信息留在缓存中而未进入智能体观察，这提示缓存管理需要保留潜在有用的证据。此外，动作执行依赖当前可用的浏览器状态，若所需控件无法确认，接口会返回当前页面信息而不执行动作。