WebArena：构建真实网页环境的自主智能体基准
ICLR 2024 发表了来自卡内基梅隆大学的论文——WebArena: A Realistic Web Environment for Building Autonomous Agents（arXiv: 2307.13854）。该研究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。
解决什么问题？
随着大语言模型快速发展，研究者探索让 AI 智能体通过自然语言指令完成日常任务。然而，现有智能体评估环境存在严重问题：
- 过于简化、不真实：很多环境功能受限或使用静态缓存页面，无法反映真实网页的复杂交互、多样内容和动态变化。
- 任务复杂度低：现有任务往往只需几步操作，缺乏人类在真实互联网上经常遇到的长序列、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，即最终是否真正完成了目标。
- 不可复现：依赖真实网站会导致 CAPTCHA、内容变动、配置变更等问题，难以公平比较不同系统。
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'。WebArena 的目标是构建一个既高度真实又完全可复现的网页环境。
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
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（类似 Google Maps，支持搜索 POI、路线规划）
- 计算器
- 便签本（Scratchpad，用于记笔记）
以及知识资源：
- 英文 Wikipedia
- 各网站的用户手册
这些工具和知识库的加入，鼓励智能体像人类一样'多开标签页'、查资料、做笔记、规划路线。
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
- 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（像素级别）
- 可访问性树（Accessibility Tree）（推荐）：比 DOM 更简洁，只保留对用户有意义的元素（角色、文本、可交互性），适合文本模型输入。
[图片：WebArena 界面示例]
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
- 导航操作：go_back、go_forward、goto URL
元素选择支持两种方式：
- 坐标 (x,y)
- 元素 ID（在可访问性树或 DOM 中自动标注的唯一编号，如 click [1582]），把元素选择变成分类问题，非常方便。
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：
- 信息查找（需要返回文本答案）
- 站点导航
- 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：
- 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。
- 完全可复现、自托管，避免了真实网站的不稳定。
- 发布了812 个高质量、长序列、功能正确性评估的基准任务。
- 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%。
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
| 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。
