WebWalker: Benchmarking LLMs in Web Traversal

檢索增強(qiáng)生成（RAG）在開放域問答任務(wù)中表現(xiàn)出色。然而，傳統(tǒng)搜索引擎可能會檢索淺層內(nèi)容，限制了大型語言模型（LLM）處理復(fù)雜、多層次信息的能力。為了解決這個問題，我們引入了WebWalkerQA，一個旨在評估LLM執(zhí)行網(wǎng)頁遍歷能力的基準(zhǔn)。它評估LLM系統(tǒng)性地遍歷網(wǎng)站子頁面以獲取對應(yīng)信息的能力。同時我們提出了WebWalker，一個通過explorer-critic范式模擬人類網(wǎng)頁導(dǎo)航的multi-agent框架。廣泛的實驗結(jié)果表明，證明了結(jié)合WebWalker的RAG在實際場景中通過橫向搜索和縱向頁面挖掘集成的有效性。

??https://arxiv.org/pdf/2501.07572??

圖片

1. 為什么要提出 WebWalkerQA

大型語言模型（LLM）通常處于知識固定狀態(tài)（無法實時更新）。盡管使用檢索增強(qiáng)生成（RAG）可以獲取最新信息，但傳統(tǒng)搜索引擎（如谷歌、百度等）的橫向搜索方式限制了對信息的深層挖掘能力，無法像人類一樣通過逐步點(diǎn)擊等操作獲取更多細(xì)節(jié)，從而更“聰明”地獲取所需信息。因此，作者提出了一個新任務(wù)——Web Traversal，旨在給定與查詢相關(guān)的初始網(wǎng)站，系統(tǒng)地遍歷網(wǎng)頁以揭露隱藏在其中的信息。

2. 什么是WebWalkerQA和WebWalker

?[Dataset] WebWalkerQA：根據(jù)網(wǎng)站的URL樹，通過四個階段，構(gòu)建單源/多源的easy、medium、hard難度的QA對，涵蓋四種常見官網(wǎng)來源及中英兩種語言。

圖片

?[Method] WebWalker：采用多智能體框架，由一個探測智能體（explorer agent）和一個裁判智能體（critic agent）組成。

? 探測智能體基于ReAct，遵循思考-行動-觀察范式，模擬人在網(wǎng)頁中點(diǎn)擊按鈕跳轉(zhuǎn)頁面的過程；

? 裁判智能體則負(fù)責(zé)存儲搜索過程中的信息，在探測代理點(diǎn)擊的過程中，保存對查詢有幫助的信息，并判斷何時能夠停止探測代理的探索。

圖片

3. 效果評估

圖片

? 上表展示了不同模型作為backbone，WebWalkerQA使用不同方法的智能體性能結(jié)果。可以發(fā)現(xiàn)即使是最好的模型gpt-4o在這個任務(wù)也表現(xiàn)較差，任務(wù)中可能涉及到多跳推理和對文本的推理的能力。

圖片

? 上表顯示了在close book和目前較好的開源及商用RAG系統(tǒng)上的性能。在close book 設(shè)置下正確率只有10%，因為WebwalkerQA具有高時效性，而LLM具有知識的cutoff，這與第一個limitation呼應(yīng)。在源及商用RAG系統(tǒng)上，最好的效果也只有40，驗證了第二個limitation，傳統(tǒng)搜索引擎可能會檢索淺層內(nèi)容，即使很多閉源的RAG系統(tǒng)使用了query改寫或者agentic的操作，但是還是沒有一步到位定位到的需要的web information source。

? 還包括一系列分析實驗，如下：

圖片

值得注意的是，webwalker中的memory對于回答query是非常重要的。如果rag鏈路中的搜索引擎可以當(dāng)作對query進(jìn)行橫向搜索，webwalker是對頁面的縱向深度探索，這是完全可以互補(bǔ)的。

因此可以把webwalker中的memory拼接到rag鏈路上，這種橫向和縱向整合表現(xiàn)出色，在所有類別和難度的數(shù)據(jù)集上效果均有提升，證明了垂直探索頁面對于提升RAG性能的潛力。這是對RAG二維探索的首次嘗試！

此外，對 webwalker 的挖掘點(diǎn)擊次數(shù)進(jìn)行scale up，看是否能得到更好的、更多的memory信息，隨著挖掘點(diǎn)擊次數(shù)的增大，不僅在webwalker上有較大提升，把memory加入到rag系統(tǒng)之后，性能也隨之提升。這給rag系統(tǒng)進(jìn)行test-time的拓展提供了新的角度。

?? WebWalker的設(shè)計讓人聯(lián)想到pair programming（對編程），即兩人協(xié)作，一個寫代碼，一個檢查bug。探測代理和裁判代理的功能其實類似于這種協(xié)作。

?? 文章最后提出了三項發(fā)現(xiàn)，首次提出了RAG二維探索的scaling潛力，探討如何更“聰明”地進(jìn)行橫向和垂直兩個方向的探索（test-time compute）。

作者介紹：本文主要作者來自通義實驗室和東南大學(xué)。通訊作者是通義實驗室蔣勇和東南大學(xué)周德宇。第一作者吳家隆，主要研究方向是Agent和Efficient NLP，該工作在阿里巴巴通義實驗室RAG團(tuán)隊科研實習(xí)完成，

Github：https://github.com/Alibaba-nlp/WebWalker

Homepage: https://alibaba-nlp.github.io/WebWalker/

Demo: https://www.modelscope.cn/studios/iic/WebWalker/

Demo: https://huggingface.co/spaces/callanwu/WebWalker

本文轉(zhuǎn)載自??大語言模型論文跟蹤??，作者：WebWalker團(tuán)隊 ????