WebArena：构建真实网页环境的自主智能体基准

4. 基准任务集（Benchmark）

论文发布了 812 个测试任务，来自 241 个模板，每个模板平均实例化 3.3 个。

任务特点：

• 高层次、自然语言指令：例如'在 Pittsburgh 找几家艺术博物馆，规划开车距离最短的路线，然后把路线更新到对应仓库的 README 中'。
• 长序列、需要规划：平均需要多步操作，甚至跨多个网站。
• 分为三大类：
  1. 信息查找（需要返回文本答案）
  2. 站点导航
  3. 内容与配置操作（发帖、购物、修改设置等）

还有一部分不可完成任务（如询问网站没有提供的联系电话），考察智能体是否会胡编。

[图片：WebArena 任务示例]

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（r_prog）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（允许多条合理路径），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（few-shot + CoT），最佳配置（GPT-4 + CoT）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。
• 缺少主动探索、失败恢复、长期规划等关键能力。

WebArena 正是为衡量这类进步而设计的基准。

总结与意义

WebArena 的贡献在于：

1. 提供了一个真实感极强（完整功能网站 + 真实采样数据 + 辅助工具）的网页环境。
2. 完全可复现、自托管，避免了真实网站的不稳定。
3. 发布了812 个高质量、长序列、功能正确性评估的基准任务。
4. 实验证明当前最强模型在真实网页任务上表现远不如人类，为未来研究指明了方向。

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

WebArena 是 ICLR 2024 论文的开源实现（arXiv:2307.13854），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（信息查找、站点导航、内容操作），强调功能正确性评估（检查数据库/页面状态，而非动作序列匹配）。人类成功率 ~78%，原 GPT-4 基线仅 14.41%。截至 2025 年底，最强单 Agent 已达 64.2%（Narada Operator），如 IBM CUGA 61.7%、AWA 1.5 57%、OpenAI Operator ~58-65%。

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（GitLab 容器 ~100GB）。不能用官网 demo 跑正式实验（仅教育用途），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 \
  # CoT 提示模板
  --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

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，推动研究进展。

搭好后，就能公平测试 Agent 了。最新 SOTA 仍远低于人类，空间巨大。