WebXSkill: Ausführbare Skills für autonome Web-Agenten

Autonome Web-Agenten, die auf großen Sprachmodellen (LLMs) basieren, haben gezeigt, dass sie komplexe Browseraufgaben bewältigen können. Dennoch kämpfen sie mit langen, mehrstufigen Arbeitsabläufen, weil die vorhandenen Skill-Formulierungen eine Lücke aufweisen: Textbasierte Skills geben nur sprachliche Anweisungen, sind aber nicht direkt ausführbar, während Code‑Skills zwar ausführbar sind, aber für den Agenten undurchsichtig bleiben und keine stufenweise Fehlerdiagnose ermöglichen.

WebXSkill schließt diese Lücke, indem es ausführbare Skills entwickelt, die ein parameterisiertes Aktionsprogramm mit Schritt‑für‑Schritt‑Anleitungen in natürlicher Sprache kombinieren. Dadurch können die Skills sowohl direkt ausgeführt als auch vom Agenten angepasst werden.

Das Framework arbeitet in drei Phasen: Zunächst werden aus synthetischen Agenten‑Trajektorien wiederverwendbare Aktionssequenzen extrahiert und in parameterisierte Skills abstrahiert. Anschließend werden die Skills in einem URL‑basierten Graphen indexiert, um kontextabhängige Abrufe zu ermöglichen. Schließlich bietet WebXSkill zwei Einsatzmodi: Im „grounded“ Modus erfolgt die vollautomatische, mehrstufige Ausführung, während im „guided“ Modus die Skills als Schritt‑für‑Schritt‑Anweisungen dienen, die der Agent mit seiner eigenen Planung umsetzt.

In den Benchmark‑Umgebungen WebArena und WebVoyager steigert WebXSkill die Erfolgsrate um bis zu 9,8 bzw. 12,9 Punkte im Vergleich zum Baseline. Damit demonstriert das System die Wirksamkeit ausführbarer Skills für Web‑Agenten.

Der komplette Code ist öffentlich auf GitHub verfügbar: https://github.com/aiming-lab/WebXSkill.