WebAgent 是阿里巴巴通义实验室推出的一个专注于信息检索的智能体项目，旨在解决大型语言模型（LLMs）在复杂网络环境中进行自主信息获取和推理的挑战。传统的LLMs在面对需要多步骤、跨页面甚至需要复杂推理才能完成的信息查询任务时，往往力不从心。WebAgent通过引入一系列创新的模型和方法，如WebSailor、WebDancer和WebWalker，赋予LLMs像人类一样在网络上进行浏览、搜索、分析和推理的能力，从而实现自主的信息探索和问题解决。
该项目的核心价值在于其构建了一个能够进行“深度研究”的自主信息寻求智能体。它不仅提供了一套完整的后训练方法论，使模型能够进行扩展性思考和信息寻求，还通过数据驱动的方法，结合轨迹级监督微调和强化学习，训练出高效的智能体系统。WebAgent解决了LLMs在复杂网络浏览和信息获取中面临的“幻觉”、推理链条断裂、无法处理不确定性信息等痛点，使其能够处理以前被认为无法解决的极其复杂的任务。
WebAgent项目包含三个主要组件：
- WebSailor：专注于实现超人类的网页代理推理能力，通过创新的后训练流程（包括专家轨迹的推理重建、RFT冷启动和Duplicating Sampling Policy Optimization (DUPO)强化学习算法），使其在处理高度不确定和困难的信息查询任务上表现卓越，甚至在某些基准测试中超越了现有开源代理，并缩小了与领先专有系统的差距。
- WebDancer：一个基于ReAct框架的自主信息寻求智能体模型，采用四阶段训练范式（浏览数据构建、轨迹采样、监督微调和强化学习），使其能够自主获取搜索和推理技能，擅长执行多步骤、复杂推理的长周期任务，如网页遍历、信息检索和问答。
- WebWalker：一个用于评估LLMs在网页遍历能力上的基准测试，同时也是一个多智能体信息寻求框架，为WebAgent的开发和评估提供了基础。
WebAgent的优势在于其强大的信息获取和推理能力，能够处理高难度、高不确定性的任务，例如在BrowseComp和GAIA等复杂基准测试中取得了显著的SOTA（State-of-the-Art）表现。其应用场景广泛，包括但不限于：复杂的在线研究、自动化信息收集、智能问答系统、以及需要深度网络交互和推理的各类AI应用。通过提供可部署的模型和详细的快速启动指南，WebAgent使得开发者能够轻松地将这些先进的网页智能体能力集成到自己的项目中，极大地提升了LLMs在真实世界网络环境中的实用性和自主性。