DRIVE：以雙層技能模型分離推理與互動，提升網頁代理的泛化與可執行性

導言

網頁代理在完成任務時，同時仰賴高階的推理能力（例如如何分解任務、選擇策略）與低階的互動技巧（例如在特定頁面找到並點擊元素）。這兩種知識本質不同：推理知識具備跨網站的可轉移性，互動知識則強烈依賴頁面具體結構。若將兩者混為一談，就會面臨泛化與可執行性之間的權衡。

DRIVE 的核心概念

DRIVE（Dual-level skill modeling）把歷史互動經驗切分為兩類技能：一是以自然語言描述的推理技能，用來捕捉可跨場景重用的任務邏輯；二是以程式化表示的互動技能，記錄可執行的頁面操作模式。系統維護兩個平行的技能庫，並在線上依照任務語意與當前頁面情境去檢索與協調這些技能。

離線到在線：技能的演化與召回

在離線階段，DRIVE 由歷史軌跡抽象出推理與互動技能，並組織成階層化的技能庫。在線上執行時，代理會同時檢索最相關的推理技能（告訴代理該做什麼）與互動技能（告訴代理如何在當前頁面做），執行結果會回饋至離線階段，作為技能層級的反思資料，驅動定向修正、擴充或去重。

場景感知的協調機制

DRIVE 的檢索不只看任務指令，也納入頁面觀察（DOM、視覺布局或狀態資訊）來估量互動技能的可執行性。當推理技能建議某個子目標時，系統會尋找能在當前頁面落地的互動技能，並在必要時結合推理引導以調整參數或流程順序。

為何要分離兩種技能？

主要原因在於抽象與落地需求不一致。自然語言推理能捕捉策略與階段性流程，方便在不同網站重複使用；而互動技能則包含具體觸發條件、元素定位與操作順序，這些資訊若透過自然語言呈現，會缺乏直接可執行性；若把推理與互動混在同一個可執行單元，則會降低跨站泛化能力。

與現有方案的比較

過去方法多把經驗統一儲存為記憶條目、軌跡或單一程序化技能。這類設計在回憶高階策略時有用，但對於如何在具體頁面定位元素、處理模態視窗或應對布局改變，往往無法提供穩定的執行路徑。相對地，純粹的程式化技能能提升執行成功率，但在面對不同頁面結構時，重用性受限。DRIVE 的貢獻在於：把能跨域泛化的決策知識與需要具體落地的互動知識分層表示，並提供情境化的協調流程，兼顧泛化與可執行性。

實驗結果要點

在 WebArena 五個領域（Shopping、CMS、Forum、Gitlab、Map）上評估，DRIVE 在平均任務成功率上取得更佳表現，報告指出平均成功率為 52.8%，相比沒有技能庫的基線高出 7.3 個百分點。此外，隨著更多歷史軌跡用於技能構建與更新，系統表現持續提升，顯示分層技能的累積效益。

技能層級反思與持續學習

DRIVE 特別強調在技能層級的失敗分析：若是推理導致失敗，系統會針對推理技能進行修訂或新增對策；若是互動執行失敗，則聚焦於互動技能的修補或替換。這樣的閉環更新能讓技能庫朝著更精準的方向演化，而不是以單一記憶條目反覆堆疊。

對開發者與生態的影響預測

從開發角度，DRIVE 提供一條可觀察、可修正的升級路徑：團隊可以分別優化推理模板與互動函式庫，針對常見頁面模式建立可呼叫的互動模組，並以自動化回饋機制辨識哪些模組應該被擴充或淘汰。對商業端來說，這種分層策略可以降低因介面更新造成的維護成本，並提升代理在多站點部署時的穩定性。

潛在限制與未來方向

DRIVE 的效益依賴於如何定義技能的使用情境與回饋機制：若技能檢索或情境描述不足，仍可能導致錯誤召回。此外，互動技能需與頁面狀態密切對齊，當網頁出現重大結構改變時，程式化技能可能快速失效。未來工作可探討更精細的情境表徵、更強健的元素定位策略、以及跨域遷移的自動化校正方法。

結語

DRIVE 用雙層技能分離並協調推理與互動，建立一條從經驗抽象到可執行落地的持續學習路徑。實驗結果顯示，這種分層表示能在面對動態網頁時，既保有策略泛化能力，又提升執行可靠度，為長期適應的網頁代理系統提供了具體可行的設計思路。

延伸閱讀

• Accio：結合 URL 模板與驗證模型，提升 ReAct 代理人效能
• ShopGym：以 ShopArena 與 ShopGuru 建立可重現且可擴展的電商代理沙箱與評測框架
• CARE：結合領域專家與 LLM 代理的三方協作式推理工程方法

代理人點評

DRIVE 的關鍵在於辨識「抽象決策與具體互動」的不同重用需求，並為兩者設計專屬的表示與更新機制。這既有助於避免把所有經驗塞進同一個黑箱，也讓系統能用更針對的回饋修正錯誤。對於實際工程團隊，分離策略與執行意味著開發、測試與維護流程可以更模組化，但同時也要求更精細的場景描述與回饋蒐集來維持長期效能。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。