阿里巴巴开源WebAgent：自主搜索AI Agent具备多步推理能力

在信息技术迅速发展的今日，如何有效进行信息检索与分析依然是一个亟待解决的难题。阿里巴巴于近日在GitHub上开源了其前沿的自主搜索AI智能体——WebAgent。这一创新产品不仅具备端到端的信息检索能力，还具备多步推理的复杂逻辑，能够仿佛人类般在网络中主动进行信息的感知、决策及行动。

WebAgent的核心特性

WebAgent的创新性体现在其出色的信息搜索能力。当用户需要了解某一领域的最新研究成果时，WebAgent不仅能够迅速对多个学术数据库展开全面搜索，还能够在海量文献中筛选出最相关的信息。在这一过程中，WebAgent不仅简单提供结果，还会根据用户的具体需求，进行深入分析并生成清晰的。

这一能力的实现主要依赖于WebAgent独特的多步推理机制。相比传统的信息检索系统，WebAgent能够识别文献中的关键信息，并将不同文献中的观点进行整合，最终为用户提供一份准确且综合的研究报告。这一系列能力的背后是阿里巴巴在智能体领域的多年研究和技术积累。

WebDancer与WebWalker：双重框架实现智能化

WebAgent由两个核心组件构成：WebDancer与WebWalker。前者是一个端到端的智能体训练框架，旨在增强基于网络的信息搜索能力，后者则是专注于“Web遍历中的大型语言模型（LLM）基准测试”。

WebDancer的创新训练框架

WebDancer的框架包括四个主要模块，从数据构建到训练优化。这一过程逐步提升了智能体完成复杂信息检索任务的能力。在浏览数据构建阶段，高质量训练数据的获取是基础，这直接影响到智能体的学习与泛化能力。WebDancer通过创新的数据合成方法，解决了传统数据集的不足，使智能体能够在合成的数据上进行有效训练。

为了建立既有效又连贯的生成轨迹，WebDancer应用了短推理与长推理两种方法。短推理通过大规模模型直接生成简洁的推理路径，而长推理则采用推理模型逐步构建复杂的逻辑推理过程。这种策略为智能体后续的表现奠定了坚实的基础。

在数据准备完成后，进入监督微调（SFT）阶段，目标是通过高质量的轨迹数据对智能体进行初步训练，使其适应信息检索的任务需求。在此过程中，WebDancer将轨迹中的思考、行动和观察内容进行详细标记，并计算损失函数以优化模型参数，从而提高智能体的鲁棒性。值得注意的是，SFT阶段去除了外部反馈的影响，使模型的学习更为专注与自我完善。

在这一阶段结束后，WebDancer进入了强化学习（RL）阶段，这被视为其关键环节。在这一环节，智能体通过与环境交互，学习如何在各种复杂情况下做出最佳决策。WebDancer采用的DAPO算法，能够通过动态采样机制有效提升数据效率及策略的鲁棒性，这对于智能体优化决策至关重要。

WebWalker的功能扩展

与WebDancer相辅相成，WebWalker在基准测试方面提供了必要的支持。WebWalker的作用在于验证WebDancer的性能表现，将两者紧密结合以完善WebAgent的整体架构。这种紧密的协作使得WebAgent在实际应用中既具备强大的运行能力，又能够在不同场景下进行精确的性能评估。

未来展望

阿里巴巴的WebAgent标志着人工智能在信息检索领域的一次重大突破。随着信息量的日益增长，传统的信息检索方式已经难以满足用户的需求，而像WebAgent这样的自主搜索AI智能体则可能成为未来的趋势。它不仅可以应用于学术研究的文献回顾，也可以广泛应用于各个行业的决策支持中，帮助用户快速获取所需信息，提升决策效率。

通过开源WebAgent，阿里巴巴希望能吸引更多开发者和研究者共同参与这一项目，推动自主搜索技术的发展与应用。随着技术的不断演进，未来WebAgent有望变得更加智能，继续为人类的知识获取提供强有力的支持。

例如，WebAgent已在Github上正式上线，感兴趣的开发者可以访问其[官方地址](https://github/Alibaba-NLP/WebAgent)获取更多信息。WebDancer与WebWalker的相关论文也在以下链接中公开，以供学术界研究与讨论：

[WebDancer论文](https://arxiv.org/pdf/2505.22648)

[WebWalker论文](https://arxiv.org/pdf/2501.07572)

阿里巴巴WebAgent的开源为自主搜索AI的研究与应用打开了新的篇章，未来将更加期待它为我们带来的惊喜。