TL;DR

在自动驾驶领域，没有地图的车辆只能乱撞；在网页导航领域，没有全局拓扑的 Agent 同样在“盲跑”。南京大学研究团队提出的 WebNavigator 首次指出网页 Agent 的核心痛点是 拓扑盲视（Topological Blindness）。通过离线构建“交互图”并引入“检索-跳转”机制，它将网页导航从漫无目的的概率盲搜变成了精准的地图导航，在 WebArena 多站点任务上直接将成功率翻倍。

1. 痛点：为什么 Agent 会在网页中“迷路”？

当前的 SOTA Agent（如基于 ReAct 模式的插件）通常表现得像一个只有瞬时记忆的探险家：

• 局部视角：只能从当前屏幕的 DOM 树推测下一步。
• 高昂成本：为了找一个退款页面，可能要在无关链接间跳跃数十次，消耗大量 Token。
• 易碎性：一旦链路中间出现干扰（如弹窗），规划就会崩溃。

作者认为，这并非 LLM 推理不够强，而是信息不对称。人类专家导航靠的是脑中的“站点地图”，而 Agent 处于完全的拓扑盲视状态。

2. 核心机制：Interaction Graph 与三段式导航

WebNavigator 的设计哲学是：能检索，就不搜索；能路径规划，就不概率预测。

A. 离线构建：“零 Token”地图测绘

系统首先运行一个基于 Adaptive BFS（自适应广度优先搜索） 的启发式引擎。该引擎不消耗 LLM Token，而是对比 DOM 树的差异来识别交互元素。它会遍历网站的所有状态，记录“点击 A 按钮会从页面 V1 跳转到页面 V2”，最终生成一个 Interaction Graph（交互图）。

B. 在线阶段：Retrieve-Reason-Teleport

当 Agent 收到指令（如“去订单页修改地址”）时，不再一步步点，而是：

1. Retrieve（检索）：根据意图，从交互图中检索相关度最高的 Top-K 页面截图。
2. Reason（推理）：多模态模型（如 Gemini-Pro 或 Qwen-VL）判断哪一个是真正正确的目标页。
3. Teleport（传送）：通过 Dijkstra 等算法计算图上的最短路径，直接执行动作序列将 Agent“传送”到目标位置。

3. 实验战绩：多站点任务的统治级表现

WebNavigator 在 WebArena 上的表现几乎是断层领先。尤其是在最复杂的 Multi-site 任务（需要跨越 CMS、地图、邮箱等多个站点协作）中，性能提升了 100%。

深度分析：为什么它更高效？

• 动作空间极简：传统方法需要处理 focus_tab, scroll, hover 等十几个底层动作，WebNavigator 将其抽象为 navigate(domain, query)。
• 鲁棒性提升：由于路径是图中确定的，消除了 LLM 在每一步生成 Action 时可能产生的幻觉。
• 成本极低：复杂的页面跳转过程通过本地方程解决，不需要 LLM 参与中间步，节省了大量 Context Window。

4. 深度洞察：网页导航的“拓扑骨架”

论文通过实验证明了一个有趣的结论：虽然网页的内容（商品、帖子）是无穷的，但其 拓扑骨架（Topological Skeleton） 是紧凑且有限的。 如下图所示，随着探索深度的增加，新节点的发现速度（Discovery Velocity）会迅速下降并趋于平稳。这意味着只要抓住了网站的功能骨架，复杂的导航问题就降维成了简单的图搜索问题。

5. 总结与展望

WebNavigator 的出现标志着网页 Agent 正在从“暴力探索”向“知识驱动”转型。它的成功告诉我们：外部环境知识的显式建模（Explicit Modeling） 比堆砌更强大的模型参数更能解决垂直领域的复杂规划问题。

虽然目前该方法在处理“由用户行为新生成的动态内容”方面仍有挑战（如刚发布的帖子不在预构建图中），但其在企业内部系统、固定流程自动化中的应用前景极其广阔。