Проблема: Потерянный опыт агентов
Большинство современных веб-агентов при решении новых задач начинают «с чистого листа», игнорируя успешные сценарии навигации, отработанные ранее. Это неэффективно, особенно в доменах с повторяющейся структурой данных, таких как экономика. Авторы работы Yinzhu Quan и Zefang Liu (подано в arXiv 17 сентября 2026 года) предлагают решение: EconSkills.
Это не просто набор скриптов, а фреймворк оценки и библиотека навыков, которые извлекаются из траекторий взаимодействия с платформой EconWebArena. Ключевая идея — абстрагирование: вместо того чтобы запоминать конкретные URL или значения, агент сохраняет параметризованные стандартные операционные процедуры (SOP).
Как работает EconSkills
Каждый «навык» в библиотеке содержит:
- Область действия (Scope): к каким типам данных относится процедура.
- Процедуру навигации: пошаговый алгоритм действий.
- Специфичные для сайта указания: обход локальных особенностей интерфейса.
- Проверки и восстановление: верификация успешности извлечения данных и шаги на случай ошибок.
Вместо конкретных значений (например, «найти таблицу за 2023 год») используются плейсхолдеры, что позволяет применять один и тот же навык к разным задачам в рамках одной предметной области.
Результаты тестирования
Исследователи разделили задачу на два аспекта: может ли известный навык быть перенесен на новую задачу (transfer) и способен ли агент эффективно выбирать нужные навыки из библиотеки (retrieval). Контролируемые тесты показали значительное преимущество подхода:
| Метрика / Условие | Результат с EconSkills | Базовый уровень (No-skill) |
|---|---|---|
| Успешность выполнения (Success Rate) | Значительно выше | Базовый уровень |
| Количество шагов (Steps) | Меньше (оптимизация навигации) | Больше (поиск с нуля) |
| Эффективность абстракции | Превосходит воспроизведение сырых траекторий | N/A |
| Точность выбора из библиотеки | Конкурентоспособна в целом | — |
Особое внимание уделено тому, что даже приблизительные совпадения навыков для задач, не покрытых библиотекой напрямую, помогают компенсировать потери на закрытых задачах. Браузерные траектории подтвердили: процедурное руководство сокращает время навигации по порталам, но семантическая верификация данных остается критически важной.
Почему это важно
EconSkills демонстрирует, что переиспользование процедурного опыта — это не просто удобство, а необходимое условие для создания надежных агентов, работающих с живыми данными. Работа задает конкретную цель для разработчиков: создавать системы с учетом покрытия (coverage-aware selection), где агент не просто ищет информацию, а применяет проверенные алгоритмы из своего «опыта».
Источник: arXiv cs.AI ↗