Проблема стоимости агентов
Рост популярности AI-агентов приводит к экспоненциальному увеличению затрат на обработку токенов. Веб-агенты, автоматизирующие взаимодействие с интерфейсами веб-приложений, традиционно требуют огромных контекстных окон для анализа UI и принятия решений. Это делает масштабирование таких систем экономически нецелесообразным без оптимизации.
Решение: OdoBot
Авторы Alexandru Ianta и Eleni Stroulia из Университета Альберты предложили архитектуру OdoBot. Ключевое отличие — использование поведенческой модели приложения, построенной на основе анализа успешных демонстраций выполнения задач. Вместо того чтобы каждый раз «просматривать» весь интерфейс с нуля, агент опирается на заранее изученные паттерны поведения целевого приложения.
Результаты бенчмарков
Эксперименты проводились на платформе Canvas Learning Management System (LMS) с набором из 45 различных задач. OdoBot продемонстрировал значительное превосходство над двумя state-of-the-art конкурентами: Agent-E и WebVoyager.
| Метрика | OdoBot | Agent-E | WebVoyager |
|---|---|---|---|
| Снижение расхода токенов | 44% (vs Agent-E) 80% (vs WebVoyager) |
База (100%) | База (100%) |
| Успешность выполнения задач | Превосходит WebVoyager | Информация недостаточна | Ниже, чем у OdoBot |
Почему это важно
Снижение потребления токенов на 80% означает прямое сокращение операционных расходов (OpEx) для компаний, внедряющих веб-автоматизацию. Кроме того, меньший объем передаваемых данных снижает задержки (latency), что критично для интерактивных интерфейсов. Методология поведенческого моделирования открывает путь к созданию более легких и дешевых агентов, способных работать в реальном времени без перегрузки LLM-инфраструктуры.
Источник: arXiv cs.AI ↗