WebClipper: Efficient Evolution of Web Agents with Graph-based Trajectory Pruning¶

会议: ACL2026
arXiv: 2602.12852
代码: https://github.com/AQ-MedAI/AntAFu-DeepResearch
领域: llm_agent
关键词: Web Agent、轨迹剪枝、状态图、工具调用效率、Agent 训练

一句话总结¶

WebClipper 把 Web Agent 的长工具调用轨迹建模成“动作节点-信息节点”状态图，再挖掘最小必要 DAG 来剪掉循环搜索和无效分支，使 Deep Research 类 agent 平均减少约 21% 工具轮次和 19.4% token，同时保持甚至提升准确率。

研究背景与动机¶

领域现状：Deep Research 类 Web Agent 已经能处理复杂信息检索任务，典型系统会反复搜索、访问网页、运行代码并最终生成答案。现有开源 agent 主要追求最终正确率，通过更长上下文、更深搜索和更多工具调用来提升覆盖率。

现有痛点：这种“多搜一点总没坏处”的策略在真实部署中代价很高。Tongyi-DeepResearch 允许最多 100 轮工具调用，MiroThinker 甚至允许到 600 轮；如果后端使用商业搜索、网页解析或代码执行工具，延迟和成本都会迅速上升。更糟的是，长轨迹不一定带来更高正确率，很多错误来自重复验证、偏离主问题或在噪声分支上越走越远。

核心矛盾：Web Agent 的有效信息往往稀疏分布在长轨迹里，最终答案只依赖少数关键动作和观测，但训练数据却把所有绕路步骤都保留下来。直接剪短轨迹又容易破坏 ReAct 结构，让剩余 thought 提到已经删除的 observation，产生不连贯的训练信号。

本文目标：作者希望不从头训练一个新 agent，而是把已有高性能但低效率的 Web Agent 继续进化成更省工具调用的版本。具体目标是在不牺牲准确率的情况下，去掉冗余搜索、循环验证和无效分支，并用统一指标衡量准确率与效率的平衡。

切入角度：论文的关键观察是，agent 轨迹可以被抽象为状态图：动作产生信息，后续动作依赖已有信息。这样一来，“哪些步骤对最终答案真正必要”就可以变成图上的最小必要子图挖掘问题，而不是让另一个 LLM 粗略判断每一步是否多余。

核心 idea：用图结构显式表示工具调用轨迹中的信息依赖，挖掘从初始问题到最终答案的最小必要 DAG，再经过连贯性重写和继续训练，让 agent 学会更短、更聚焦的搜索路径。

方法详解¶

WebClipper 不是推理时即时剪枝，而是一个训练数据加工与 agent evolution 框架。它先从强 agent 蒸馏原始轨迹，再把轨迹转成状态图，找出必要动作集合，删除冗余步骤，重写被剪断的 thought，最后用这些精炼轨迹继续微调原 agent。

整体框架¶

输入是一批 query 及原始 Web Agent 生成的 ReAct 轨迹，每条轨迹形式上包含初始 observation、每轮 thought、action 和新的 observation。输出是更短但仍能支撑正确答案的轨迹集合，以及在这些轨迹上继续训练后的 agent。

流程分为四个阶段。第一，收集并过滤初始轨迹，只保留对原 agent 有一定挑战但并非完全不会的样本。第二，将轨迹转成由 Action nodes 和 Information nodes 构成的有向二部图。第三，在图上寻找近似 minimum necessary DAG，得到必要动作集合。第四，对剪枝后的轨迹做 coherence-aware thought rewriting，并用效率导向或混合训练策略继续训练 agent。

关键设计¶

Trajectory-to-State-Graph 转换:
- 功能：把一串线性的工具调用变成可分析依赖关系的图结构。
- 核心思路：动作节点 \(A_t\) 表示第 \(t\) 轮 agent 的 thought 和 action，信息节点 \(I_t\) 表示环境返回的原子信息。若某个动作基于某条信息，就加边 \(I \rightarrow A\)；若某个动作产生新信息，就加边 \(A \rightarrow I\)。构图由 LLM extractor 完成，它先抽取每轮 action 的类型和目标，再把 observation 分解成原子信息，并判断后续动作依赖哪些信息。
- 设计动机：长轨迹中的冗余不是简单的“文字太长”，而是信息依赖链上存在无用环路和分支。图结构能把这种依赖显式化，为后续剪枝提供比单轮 LLM 判断更细的依据。
MNDAG 图剪枝与多数投票:
- 功能：找出支撑最终答案的最小必要动作集合。
- 核心思路：把初始 query 节点视为 source，把最终 answer action 视为 sink。动作节点成本为 1，信息节点成本为 0，先用 Dijkstra 风格的最短路搜索找低成本路径，再从最终答案反向闭包必要前驱，保留所有可能支撑答案的关键依赖。由于 LLM 构图存在不稳定性，同一轨迹重复构图和剪枝三次，只有至少两次得到相同必要动作集合时才接受。
- 设计动机：直接按语义相似度或 LLM 主观判断删除 turn 容易误删关键证据；MNDAG 让剪枝目标更明确，即保留从问题到答案的必要信息通路。
连贯性重写与混合进化训练:
- 功能：把剪短后的轨迹变成可用于 SFT 的自然 ReAct 数据，并在效率和准确率之间做取舍。
- 核心思路：若两个保留动作在原轨迹中不相邻，后一个 thought 可能还会提到被删掉的观测。WebClipper 会基于完整上下文和被剪掉的中间步骤重写该 thought，并生成多个候选，用 base model 的 perplexity 选择最贴合其语言风格的版本。训练时有两种策略：Eff 只用剪枝轨迹，Hybrid 混合剪枝轨迹和不同 query 的未剪枝困难轨迹。
- 设计动机：只追求短可能损害复杂任务能力，只追求准又会继承低效率。Eff 适合成本敏感部署，Hybrid 则保留部分长链能力，让 agent 在需要长搜索时不至于过度保守。

损失函数 / 训练策略¶

训练目标是普通轨迹似然最大化。效率导向训练在剪枝轨迹集合上优化 \(L_{eff}=-\sum_{\tilde{\tau}}\log P_M(\tilde{\tau})\)；混合训练在剪枝轨迹和未剪枝困难轨迹并集上优化 \(L_{hybrid}=-\sum_{\tau^*}\log P_M(\tau^*)\)。评测时作者提出 F-AE Score，将 accuracy 与效率分数 \(E=1-Rounds/Max\_Rounds\) 做调和平均，形式为 \(F\text{-}AE=2\times Acc\times E/(Acc+E)\)，实验中 \(Max\_Rounds=100\)。

实验关键数据¶

主实验¶

作者以 Tongyi-DeepResearch 为主要 base agent，在 xbench-deepsearch、Browsecomp、GAIA、HLE 四个 benchmark 上评估。WebClipper(Eff) 更偏节省工具调用，WebClipper(Hybrid) 更偏综合准确率。

方法	xbench Acc / F-AE / Rounds	Browsecomp Acc / F-AE / Rounds	GAIA Acc / F-AE / Rounds	HLE Acc / F-AE / Rounds
Tongyi-DeepResearch	0.713 / 0.779 / 14.26	0.410 / 0.385 / 63.70	0.682 / 0.733 / 20.56	0.358 / 0.487 / 23.92
WebClipper (Eff)	0.713 / 0.792 / 10.81	0.427 / 0.431 / 56.50	0.684 / 0.760 / 14.44	0.353 / 0.492 / 18.60
WebClipper (Hybrid)	0.733 / 0.797 / 12.57	0.467 / 0.428 / 60.42	0.695 / 0.744 / 19.92	0.361 / 0.495 / 21.07

与原始 Tongyi-DeepResearch 相比，Eff 版本在平均意义上减少约 21% 工具调用轮次和 19.4% token，同时保持相当或更高准确率。Hybrid 版本平均准确率提升约 4.8%，工具轮次仍减少约 7%，说明混合轨迹能在不完全牺牲效率的情况下补回复杂任务能力。

剪枝/训练方法	xbench Acc / Rounds / Token	Browsecomp Acc / Rounds / Token	主要结论
Prompt Control	0.676 / 12.50 / 6321	0.373 / 62.80 / 12222	只靠提示约束轮次，降得不多且掉准确率
Coarse Prune	0.603 / 8.85 / 4774	0.220 / 37.10 / 8365	粗剪能缩短轨迹，但严重损害正确率
WebClipper (Eff)	0.713 / 10.81 / 5931	0.427 / 56.50 / 10599	保持准确率并显著减少调用
WebClipper (Hybrid)	0.733 / 12.57 / 6205	0.467 / 60.42 / 11507	准确率最高，效率仍优于原模型

消融实验¶

组件消融主要验证三个设计：图剪枝、PPL-based rewrite selection 和 context-aware selective rewriting。论文的图示显示，移除任一组件都会退化，其中去掉上下文选择性重写最严重，因为剩余 thought 会引用被删除的上下文，训练信号变得自相矛盾。

消融配置	改动	观察到的影响	原因解释
w/o GP	用粗粒度剪枝替代图剪枝	性能下降	单次 LLM 判断难以理解长轨迹依赖，容易误删或漏删
w/o PPL-S	不用 PPL 选择重写候选	性能下降	重写 thought 与 base model 风格不匹配，训练分布偏移
w/o CSR	无条件重写所有 thought，不给历史上下文	退化最严重	重写破坏原有逻辑，甚至引入和保留轨迹不一致的引用
Unpruned-Distill	直接用未剪枝困难轨迹 SFT	准确率可升，但轮次变长	它放大了 base agent 的能力，也继承并强化了低效率行为

关键发现¶

WebClipper(Eff) 在 GAIA 上尤其有效，工具轮次约从 20.56 降到 14.44，接近 30% 减少。作者认为 GAIA 中约 15% 是脑筋急转弯或逻辑题，不需要长工具链，剪枝训练能抑制过度依赖外部工具。
F-AE 的价值在于不会单独奖励短轨迹。Kimi 等模型虽然轮次少，但准确率低，因此 F-AE 仍低；Tongyi 准确率高但轮次长，也被 F-AE 惩罚。
case study 显示，baseline 常把注意力转移到枝节细节上，例如找到正确论文后又深挖题目中的次要材料，最终反而误答。WebClipper 学到的是沿关键路径前进，而不是盲目增加验证。

亮点与洞察¶

这篇论文把 agent 轨迹压缩从“删短文本”改成“保留信息依赖路径”，这比一般的 CoT compression 更适合工具调用场景。
MNDAG 里的信息节点成本为 0、动作节点成本为 1，这个设计很自然：真正昂贵的是工具调用/动作轮次，而信息只是依赖证据。
多数投票是一个务实工程细节。既然构图依赖 LLM extractor，就不能假设单次图完全可靠；重复三次只接受一致结果，可以换来更高剪枝置信度。
连贯性重写是容易被忽略但很关键的部分。剪枝后的训练数据如果逻辑断裂，模型可能学到“凭空引用不存在观察”的坏习惯。

局限与展望¶

WebClipper 继承 base agent 的能力边界。如果原 agent 本身不会做某类任务，剪枝只能去冗余，不能发现全新的解决策略。
当前评测主要集中在搜索、网页访问和代码执行工具。多模态工具、数据库查询、企业 API 等动作空间是否能直接套用同样的状态图，还需要验证。
构图和重写依赖大模型以及较重的离线处理，论文使用 Qwen3-235B 做 extractor/rewriter，并在 8×H800 上处理约 1 天。对小团队来说，构建剪枝轨迹的成本仍不可忽略。
F-AE 依赖 \(Max\_Rounds\) 的设定，不同部署预算下分数会变化。实际系统可能还需要同时考虑 token、延迟、API 价格和失败重试。

评分¶

新颖性: ⭐⭐⭐⭐☆ 将 Web Agent 轨迹剪枝形式化为状态图和最小必要 DAG，问题建模很清楚。
实验充分度: ⭐⭐⭐⭐☆ 覆盖四个 benchmark、多种 baseline 和组件消融，但部分消融图缺少更细数字表述。
写作质量: ⭐⭐⭐⭐☆ 方法链条完整，F-AE 指标解释充分，个别表格在 HTML 中排版略拥挤。
价值: ⭐⭐⭐⭐⭐ 对长程 Web Agent 降成本非常实用，尤其适合需要商业搜索/API 的部署场景。