Resumen: Los agentes web basados en grandes modelos de lenguaje han demostrado una capacidad prometedora para automatizar tareas web. Sin embargo, los agentes web actuales luchan por razonar acciones sensatas debido a las limitaciones de predecir cambios en el entorno y es posible que no posean un conocimiento integral de los riesgos de ejecución, realizando prematuramente acciones riesgosas que causan pérdidas y conducen al fracaso de la tarea. Para abordar estos desafíos, proponemos WAC, un agente web que integra colaboración de modelos, simulación de consecuencias y refinamiento de acciones impulsado por retroalimentación. Para superar el aislamiento cognitivo de los modelos individuales, introducimos un proceso de colaboración de múltiples agentes que permite que un modelo de acción consulte un modelo mundial como un experto en el entorno web para obtener orientación estratégica; Luego, el modelo de acción fundamenta estas sugerencias en acciones ejecutables, aprovechando el conocimiento previo de la dinámica de transición del estado ambiental para mejorar la propuesta de acción candidata. Para lograr una ejecución de tareas resiliente y consciente de los riesgos, introducimos una cadena de deducción de dos etapas. Un modelo mundial, especializado en transiciones de estados ambientales, simula los resultados de la acción, que luego un modelo de juez examina para desencadenar una retroalimentación correctiva de la acción cuando sea necesario. Los experimentos muestran que WAC logra ganancias absolutas del 1,8% en VisualWebArena y del 1,3% en Online-Mind2Web.
Publicado originalmente en export.arxiv.org el 17 de febrero de 2026.
Ver fuente original
