WebHarbor：对接真实网站，构建可演化的 GUI Agent 环境

WebHarbor 是一套包含 153 个 Docker 化、可执行的真实网站重建环境，通过任务驱动的人-智能体协作构建，提供 3,518 个任务，用于在确定性控制下评估和强化学习训练 GUI 网页智能体。

GUI 网页智能体需要真实且可交互的环境，并在评估和训练期间保持稳定。在真实网站上评估会受到内容变化、访问限制以及对认证后工作流覆盖不足的影响。现有合成训练环境通常缺乏功能深度和视觉保真度。WebHarbor 面向高保真合成网页环境中的可靠评估和成本高效的强化学习。

WebHarbor 构建为一套包含 153 个可执行且 Docker 化的网站环境，在确定性控制下重建真实 Web 服务的视觉界面、内容和功能工作流。构建采用任务驱动的人-智能体协作：环境随新任务扩展其功能范围而演进，编码智能体实现所需更改，人类贡献者审计视觉保真度、功能正确性和任务有效性。最终套件包含 3,518 个任务，覆盖多步骤和认证后工作流。除评估外，这些环境还用于成本高效的强化学习。作者在 WebHarbor 中用 RL 训练一个 Qwen 4B 级 GUI 智能体，并在四个基准上测试对未见任务的泛化能力。代码和数据已公开。

• WebHarbor 包含 153 个可执行、Docker 化的网站环境，在确定性控制下重建真实 Web 服务。 §Abstract
• 该套件包含 3,518 个任务，包括现有工作通常未能覆盖的多步骤和认证后工作流。 §Abstract
• 在 WebHarbor 中用 RL 训练的 Qwen 4B 级 GUI 智能体可泛化到未见任务。 §Abstract
• 该 RL 训练智能体在四个基准上与领先的开源 GUI 网页智能体表现相当。 §Abstract

• 提供的文本（仅摘要）未给出局限性章节；未报告各基准分数及相对基线智能体的优势幅度，因此四个基准上的竞争力差距大小仍未知。
• 论文将环境描述为真实服务的忠实重建，但提供的文本未给出每个站点视觉保真度或功能覆盖的定量度量；这一点尚不明确。
• RL 仅用一个 Qwen 4B 级智能体进行演示，因此其他模型规模下的行为未在提供的文本中覆盖。
• 人类审计和智能体实现的环境演进所需的成本或工作量未在提供的文本中量化。

• 在真实网站上评估不稳定，原因包括内容变化、访问限制以及对认证后工作流覆盖不足。 §Abstract
• 现有合成训练环境通常缺乏功能深度和视觉保真度。 §Abstract
• 环境可执行且 Docker 化，为评估和训练提供确定性控制。 §Abstract
• 环境随新任务扩展功能范围而演进，由编码智能体实现更改。 §Abstract
• 人类贡献者审计视觉保真度、功能正确性和任务有效性。 §Abstract
• 3,518 个任务覆盖多步骤和认证后工作流。 §Abstract
• WebHarbor 不仅支持评估，还支持成本高效的强化学习。 §Abstract
• 在 WebHarbor 中用 RL 训练的 Qwen 4B 级智能体可泛化到未见任务，并在四个基准上与领先的开源 GUI 网页智能体具有竞争力。 §Abstract