Hierarchische Gedächtnisstruktur verbessert Web-Agenten

Neues Forschungspapier aus dem arXiv-Repository (2603.07024v1) präsentiert einen innovativen Ansatz zur Optimierung von Web-Agenten, die auf großen Sprachmodellen basieren. Durch die Einführung eines hierarchischen Gedächtnissystems – dem Hierarchical Memory Tree (HMT) – können Agenten komplexe, langanhaltende Aufgaben besser bewältigen und gleichzeitig ihre Leistung auf unbekannten Webseiten steigern.

Der Schlüssel zum Erfolg liegt in der Trennung von logischer Planung und konkreter Ausführung. Das HMT gliedert die Lernhistorie in drei Ebenen: Auf der Intent-Ebene werden unterschiedliche Nutzeranweisungen in einheitliche Zielsetzungen übersetzt; die Stage-Ebene definiert wiederverwendbare semantische Teilziele mit klaren Vor- und Nachbedingungen; und die Action-Ebene speichert Muster von Aktionen zusammen mit übertragbaren semantischen Beschreibungen. Diese Struktur verhindert, dass sich hochrangige Aufgabenlogik mit seiten-spezifischen Details vermischt, was bei flachen Gedächtnismodellen zu Inkonsistenzen führt.

Auf Basis dieser Hierarchie entwickelt die Arbeit ein zweistufiges Inferenzsystem, bestehend aus einem Planner und einem Actor. Der Planner prüft explizit die Vorbedingungen, um das aktuelle System mit dem passenden Teilziel abzugleichen und so Workflow-Mismatches zu vermeiden. Der Actor setzt die Aktionen um, indem er die gespeicherten semantischen Beschreibungen mit der Zielseite abgleicht. Erste Experimente zeigen, dass dieser Ansatz die Zuverlässigkeit und Anpassungsfähigkeit von Web-Agenten deutlich erhöht.