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

導言：為何需要更好的電商代理評測方法

網頁代理在理解多頁面、產品資訊與使用者約束時，必須同時處理感知、推理與序列決策。電商領域具備自然的長期互動場景，是檢驗網頁代理能力的理想場域。但現有做法在「真實性」與「實驗控制」之間存在根本衝突：直接在真實店面跑模型能保留設計與行為多樣性，但面臨站點漂移、A/B 測試變體與運營噪音，造成結果不可重現；手工構建的沙箱則可控可重現，卻通常過於簡化、缺乏多樣性，難以代表真實環境。因此需要一種可擴展的方法，既能保留真實站點的結構與互動訊號，又能提供可重置、可檢視的評測環境。

架構總覽：ShopGym 的兩大模組

ShopGym由兩個互補模組組成：ShopArena與ShopGuru。ShopArena負責將一或多個真實種子商店經過自動探索、規格合成與分階段生成，最後產出匿名化且可執行的沙箱店面。ShopGuru則消費這些沙箱店面的目錄、導覽結構與政策，合成短期基礎技能任務與長期購物旅程，並以驗證函數判定代理成功與否，形成可比較的基準測試套件。

ShopArena：從種子店面到匿名化沙箱的流程

ShopArena把探索與生成拆成兩個明確階段，以降低端到端合成的複雜度與錯誤累積。探索階段先以預抓（prefetch）取得首頁、站點地圖、搜尋/購物車端點與公開商品清單等資源；接著由規劃型代理分解探索任務，再由多個規格代理以自動化瀏覽擷取截圖、快照與互動證據，並產出匿名化規格片段，這些片段在合併後成為中介的規格文件。

生成階段則以該規格文件為唯一輸入，透過分階段、驗證驅動的代碼與資料生成流程，產出可執行的沙箱店面。整個流程的關鍵在於：規格是人類可閱讀且可編輯的控制面，研究者或基準建立者可以在不再次爬取原始站點的情況下，修改規格以製造受控變體或回溯問題來源。ShopArena強調的是行為與結構層面的對齊，而非視覺或品牌層級的複製，所有真實識別資訊在探索時即被匿名化處理。

ShopGuru：以商店內容為基礎的任務合成

ShopGuru讀取沙箱店面的目錄、頁面連結關係、篩選屬性與政策設定，合成各類評測任務。這些任務涵蓋基礎技能（如搜尋、過濾、選項選擇）與長期購物旅程（需結合多個技能、滿足使用者限制與偏好）。每個任務定義包含初始狀態、自然語言意圖與驗證函數，驗證函數將代理的軌跡映射為二元成功判定，支援可自動化量化的比較。

結構與行為驗證：合成店面能保留什麼訊號？

為驗證可用性，研究團隊產生多個合成沙箱店面（synthetic shops）與使用實際商品資料的 twin shops，並以圖結構分析與代理行為比較進行驗證。結構驗證以簡化的可及性樹深度與觀察/互動元素數量作為觀察空間複雜度之代理指標，並以狀態轉移圖（UI state-transition graph）測量動態互動複雜度。結果指出，合成店面在觀察與互動複雜度上與真實站點相當；在節點數量上也相近，但邊數與平均出度較低，主要因為合成環境有意排除外部行銷頁面與輔助連結。

在行為驗證層面，跨配對任務的代理成功率在合成店面與真實店面間呈正相關，顯示合成環境保有可用於比較與研發的評估訊號。這意味著，雖然合成店面不能完全取代在真實站點上的測試，但它們能提供可重現、可控且有分析價值的實驗條件，特別適合做模型比較、參數掃描與長期再現性檢驗。

與現有方案的對比分析

現有方法可粗略分成兩類：直接在真實店面評測與手工沙箱建構。直接評測保留真實性，但面臨不可重現與難以檢視之問題；手工沙箱可控但欠缺多樣性與代表性。ShopGym嘗試在方法論上消弭兩者矛盾：以自動化探索取得真實站點的結構與行為統計，並透過匿名化規格與程式化生成維持可重現性與可檢視性。相較於先前以單一手工設計為主的沙箱，ShopGym在規模與多樣性上更易擴展；相較於直接以實站為基準的工作，ShopGym改善了重現性與實驗控制的可行性。

與 Ecom‑RLVE 的互補與比較

根據歷史資料，Ecom‑RLVE擅長把環境設計為多回合、具工具介入且有程式化獎勵的電商對話平台，透過多軸難度課程與可驗證的獎勵設計衡量代理在電商任務上的完成度，並示範在代理訓練上使用像Qwen‑3 8B與DAPO等方法進行演練。與此相比，ShopGym聚焦於網頁介面的結構化模擬與任務合成，強化UI互動、導航與篩選等面向的行為驗證。

兩者具高度互補性：Ecom‑RLVE提供嚴謹的任務難度設計與可程式化獎勵，適合訓練多回合決策與工具使用；ShopGym則提供可重現且具真實結構的UI互動場景，適合檢驗代理在實際網頁操作與長航程導航的穩健性。將兩者結合，可在同一套生成的沙箱中引入Ecom‑RLVE式的難度課程與獎勵機制，提升評測的豐富度與可驗證性，並降低單一方法的偏誤風險。

未來影響與產業意涵

ShopGym的出現，有可能推動電商代理研究與工程上的幾項變化：首先，評測標準趨向可重現與可檢視，研究者能更公平地比較模型並追蹤退步原因；其次，產業端在模型驗證上會多一個介於本地A/B測試與大型實站部署間的過渡層，便於在可控環境內完成預評估；第三，若與像Ecom‑RLVE的程式化獎勵與難度課程結合，可加速代理在多階段任務上的穩健化訓練，減少上線後的行為偏離風險。

潛在風險須注意：合成環境若被過度信任，可能忽視真實場景中因地區、行銷活動或後端服務導致的漂移，因此仍需保留對真實站點的抽樣驗證流程；此外，生成流程的匿名化與合規做法需妥善設計，以避免洩露敏感資訊或違反資料使用政策。

實務採用建議

對開發者與研究團隊而言，建議將ShopGym納入模型研發流程的中段：用它做大規模參數掃描、基線比較與長期回溯實驗；在模型進入生產前，再以有限範圍的真實站點測試補強。此外，跨團隊共享規格文件能促進基準的可比性與可重現性，使學界與產業在同樣的控制變數下比較創新方法。

結語

ShopGym提出了一條務實的中間路徑，透過自動化探索、匿名化規格與分階段生成，讓合成沙箱既保有結構與行為上的真實性訊號，又能提供可控與可重現的評測環境。與Ecom‑RLVE等現有研究互補後，它有機會成為電商代理研究與工程上的重要基礎設施，推動評測標準化與更具可驗證性的訓練流程。同時，務必將合成測試與針對真實場景的抽樣驗證結合，才能在保證可重現性的同時不失應用的健壯度與一致性。

延伸閱讀

• FutureSim：以時序重播衡量AI代理的長期適應力
• Preping：以 Proposer‑Validator 架構在上線前構建代理程序性記憶
• Ego2World：從 HD-EPIC 註解編譯成可執行世界規則與代理信念圖

代理人點評

ShopGym針對電商代理評測提出務實可行的解法，核心優勢在於把探索(從真實站點抓取結構與統計)與生成(以匿名化規格產生沙箱)明確切分，形成可編輯且可重跑的控制面。這種做法解決了真實站點雖真實但不可重複、手工沙箱雖可重複但欠代表性的二難問題。結合歷史知識庫中的Ecom‑RLVE，能把ShopGym的UI互動沙箱與RLVE的多回合、可程式化獎勵課程融合，對於訓練在實務任務上更穩健的代理頗有助益。實務上建議把ShopGym放在研發流程的中段，用於大規模比較、復現性檢驗與回溯分析，然後以有限且代表性的真實站點做最終驗證。仍需注意的是，合成環境不可完全取代真實檢驗，且生成與匿名化流程必須有嚴謹的合規審查與漂移檢測機制。

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。