يقدم الباحثون AgentOccam، وهو خط أساس لوكلاء الويب المعتمدين على LLM يحسن الأداء من خلال تحسين مساحة المospace ومساحة الإجراء لمحاذاة أفضل مع بيانات التدريب المسبق للنموذج. يلغي هذا النهج الحاجة إلى استراتيجيات مصممة يدوياً مثل أمثلة السياق أو أنظمة الوكلاء المتعددة.
- في معيار WebArena، يتفوق AgentOccam على أحدث الطرق السابقة بمقدار 9.8 نقطة مطلقة (+29.4%) وعلى العمل المتزامن بمقدار 5.9 نقطة مطلقة (+15.8%).
- يعزز الأسلوب معدلات النجاح بمقدار 26.6 نقطة (+161%) مقارنة بوكلاء الويب البسيطة المماثلة.
- يبرز التصميم أداء LLM في المهام الشبكية بدون تدريب مسبق (zero-shot) دون استخدام ملاحظات عبر الإنترنت أو استراتيجيات بحث.
تؤكد الدراسة على الدور الحاسم لضبط مساحات الملاحظة والإجراء بعناية لوكلاء LLM لتعميم الأداء في سيناريوهات العالم الحقيقي.