打破搜索与浏览器交互割裂！统一智能体网络接口 Web$hell 发布：Deep Research 交互轮次大降 66%

核心背景与行业痛点

当用户要求大模型智能体自主执行深度行业调研、比价采购或跨系统表单提交时，Agent 必须在单条执行轨迹内无缝完成‘海量网页信息筛查’、‘深入页面点击翻页’以及‘反复回溯对比历史证据’。然而，当前的工程架构在网络访问层面呈现出严重的三权分立与性能割裂：

1. 搜索增强架构（Search-augmented）丧失交互能力：依赖搜索引擎 API 与轻量纯文本提取，能够快速扫读数十个页面，但会彻底丢弃按钮、下拉菜单与输入表单等 DOM 控件，无法进行任何深入交互；
2. 浏览器原生架构（Browser-based）遭遇 Token 爆炸：如基于 Playwright/Puppeteer 传递完整可访问性树（AXTree）或 DOM 快照，单次观察动辄消耗上万 Token。在多轮信息搜寻任务中，上下文窗口会迅速被冗余样式与噪声挤爆，产生高昂成本；
3. 文件系统外挂架构（Filesystem-based）存在上下文断裂：如 Fetch-then-Explore（FtE）将网页存入工作区由 Agent 执行 grep，虽然节约了 Token，但局部过滤出的孤立文字往往脱离了对应的控件锚点，导致 Agent 耗尽步数也找不到操作入口；
4. 粗暴杂交模式（HybridSB/SBF）带来重复开销：简单将多种接口并联不仅使 Agent 陷入选择困境，更因双重表征的交叉校验导致推理开销倍增。

架构亮点与底层机制

针对接口割裂难题，延世大学研究团队构建了面向智能体的全新统一网络中间件 Web$hell（arXiv:2610.13416）：

1. WebContract 标准化访问契约：彻底解耦网页实现细节，将网络资源统一定义为兼具三要素的结构化对象：

• 稳定地址（Address）：全局唯一的短引用路径，供 Agent 在多轮请求中轻量寻址；
• 核心数值（Value）：纯净的内容数据或可执行算子定义；
• 上下文关联（Association）：保留其父子结构、所属语义标签及关联动作对象的引用指针；

1. WebCompiler 零模型确定性编译器：无需调用外部 LLM，仅基于严格的 HTML 语义规则和有限构造器，在单次 DOM 遍历中将原始网页实时编译为类型化的文本对象、表格对象、链接对象与动作对象（Action Objects，包含如 select, click, input 等参数化能力）；
2. WebCache 有状态持久缓存体系：

• 持久读取（Persistent Access）：自动拦截 404/验证码等异常，提供结构化目录（TOC），支持 Agent 仅凭对象地址进行纳秒级按需读取；
• 多状态演化追踪（Stateful Access）：当 Agent 触发 execute 动作导致页面刷新或跳转时，系统自动生成新快照并分配新版本地址，历史状态自动转为只读归档，彻底根除状态污染。

权威 Benchmark 与实测跑分对比

研究团队采用顶尖基座（gpt-5.6-luna，reasoning: high），在涵盖 3 大类任务的 6 个国际权威评测基准上展开了严格消融与横向对比：

1. 6 项全景基准全面霸榜：在网络搜索（WideSearch、SealQA）、网页导航（WebArena-Verified、WebWalkerQA）以及深度研究（DeepResearchBench、DeepWeb-Bench）全部 6 项严苛评测中，Web$hell 综合任务胜率全面超越纯搜索、纯浏览器及文件系统 Baseline；
2. Deep Research 交互轮次大砍 43%~66%：在要求多源证据聚合与量化推演的 Deep Research 挑战中，主流命令行浏览器 CLI-Anything Browser 平均消耗 52.4 个交互轮次，混合架构 HybridSBF 消耗 30.9 轮，而 Web$hell 仅需 17.6 轮 即高质量交付任务，推理调用步数锐减近三分之二；
3. 抗噪能力极强（零成本膨胀）：在人为向缓存中注入 50、100、200 直至 400 个强干扰网页的极端压力测试下，FtE 因遍历工作区导致推理成本翻倍以上，而 Web$hell 凭借轻量级精准对象地址与关联索引，在 400 个干扰页下依然保持几乎水平的低推理成本与稳健的高准确率。

开发者实战落地与开箱指南

Web$hell 的设计为自主 Web Agent、企业知识库深搜与自动化 RPA 系统的开发者提供了极高价值的工程路线图：

1. 以‘结构化对象契约’替代暴力喂入原始 DOM：在构建浏览器 Agent 时，切忌直接向上下文推送数千行 HTML/AXTree。借鉴 WebCompiler 的语义编译机制，提取带有 context association 的紧凑 action objects，能降低 70%+ 的无谓 Prompt 开销；
2. 建立版本化页面状态快照缓存：长程多页面任务必须配备 WebCache 机制，将用户会话中访问过的每个页面建立只读历史指针，使 Agent 在比对多项证据时无需重新加载或重刷网页；
3. 打通数据与动作的关联指针（Action References）：消融实验证实，将数据条目（如商品项）与其触发操作（如加购按钮）在接口层绑定关联指针，能彻底杜绝 Agent‘看得见数据却找不到按钮’的认知死锁问题。