🔥 今日值得一读
网络代理成功率暴涨17个点！新框架自动压缩技能库，5轮自我进化不崩
SCAFFOLD: Self-Improving Web Agents via Recursive Parametric Skill Abstraction
👨💼 主理人解读 · 为什么值得关注
开发者可用SCAFFOLD构建能持续积累和复用技能的Web代理，减少重复学习，提升跨站点任务效率。
📖 AI 总结
SCAFFOLD提出了一种面向视觉Web代理的自我改进框架，旨在解决现有代理在完成任务后丢弃过程性知识、缺乏技能复用机制的问题。该框架的核心创新在于：从成功轨迹中归纳可执行的参数化技能，并通过递归组合构建技能层级，使高层技能可调用低层技能；同时采用最小描述长度准则和行为等价性检查压缩技能库，避免冗余积累。此外，SCAFFOLD定期将技能增强轨迹蒸馏回模型权重，实现抽象能力的内化。在WebArena、VisualWebArena及Online-Mind2Web的留出集上，该方法相比最强技能增强基线提升了11.1至17.2个百分点的成功率，并在五轮自我改进迭代中保持单调增益，未出现技能库崩溃。该研究为Web代理的持续学习与技能泛化提供了有效路径。
🔑 关键词速览
| SCAFFOLD | 一种自我改进的视觉网络代理框架，通过递归参数化技能抽象来提升任务成功率。 |
| Parametric Skill Abstraction | 将技能表示为可执行参数化模块，以便于组合和复用。 |
| Minimum Description Length (MDL) | 一种模型选择准则，通过最小化描述长度来平衡模型复杂度和数据拟合度。 |
| Behavioral Equivalence Checking | 验证两个技能或行为是否在功能上等价的技术，用于压缩冗余技能。 |
| Skill-Augmented Trajectories | 在轨迹中注入技能信息，用于训练或微调模型以内部化抽象。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅