Agent Workflow Memory：把一次成功的网页操作，炼成下次可复用的工作流程

先建立共同认知：为什么「把每道题做得更好」不等于「越做越会做」。

论文把问题放在 web navigation 上：智能体要在网站里完成多步操作，环境状态随每一步变化。WebArena 提供 812 个任务、5 个网站，覆盖电商、论坛、代码协作、内容管理四类场景，并按执行结果做功能正确性评估（§3.1）。任务越长，单步选择错误越容易累积，完整跑通就越难。

“Despite the potential of language model-based agents to solve real-world tasks such as web navigation, current methods still struggle with long-horizon tasks with complex action trajectories.”— Abstract

更关键的是学习方式。论文在引言里指出，智能体把每道任务分开求解：

“Moreover, as agents solve each task separately, they do not learn from past successes and failures, and are therefore unable to adapt over time.”— §1

已有的补救办法主要是给智能体看固定示例，或通过训练把示例固化进参数。论文的判断是：这能让智能体模仿相近的动作序列，但任务上下文或环境一变，鲁棒性就下降（§1）。于是问题变成：能不能把一次成功经验里可复用的部分抽出来，存成以后能直接调用的流程？

论文的对照很集中：一条路线依赖「具体经验」，另一条依赖「人类专家」，各自的瓶颈不同。

还有一条「自主智能体」基线需要分清：Table 1 里 BrowserGym 23.5 是论文所称的 top published autonomous method；BrowserGym ax-tree 15.0 是为了公平比较、只喂 accessibility tree 的受控重跑。两者不是同一个数。AWM 相对 23.5 的提升是 12.0 个绝对点（相对 51.1%）；相对 15.0 则是 20.5 个绝对点（相对 136.7%）。

核心不是「记住答案」，而是把答案里可复用的子程序抽出来，并去掉具体值。

论文把一次经验记作 e = (q, Pe)：q 是自然语言指令，Pe 是观察-动作序列。归纳模块 I 从经验集合 ℰ 产生 workflow 集合：

workflow 的每一步 p 有三部分（§2.2）：

• 环境状态描述：用自然语言写当前页面/状态，例如 “Order {id} is shown”。
• 推理：智能体为什么选这个动作，例如 “Order {id} is found, I will now terminate the task.”。
• 可执行动作：对环境执行程序，例如 stop()、click('id')、type('id', '{value}')。

归纳时的关键动作是抽象。论文在 §2.3 明确写：不把示例里的具体值直接写进 workflow，而是用描述性变量名替换：

“instead of giving example-specific values (e.g., ‘dry cat food’), we enhance workflow generality by abstracting out example-specific contexts, i.e., replacing ‘dry cat food’ with a more general name ‘{product-name}’ by specifying this in the workflow induction prompts.”— §2.3

归纳出的 workflow 按输出里的双换行切分，逐条存进 workflow memory（§2.3）。使用时把它们并入原记忆：

下面把「具体经验 → 子流程 → 泛化占位符」拆成三层看。注意：这是本页的阅读拆解，不是论文流水线；原文的归纳模块是一次 LM 调用（Appendix A.1）。

为什么是「子流程」，不是「完整任务」

论文刻意让模型在更细的粒度上归纳。完整指令往往具体且不重复，例如 “Buy dry cat food on Amazon and deliver to my address”；而 “search for a product on Amazon” 这样的子任务会在多个相似指令里反复出现（§2.3）。抽子流程，才有更多复用机会。

Figure 6 的案例展示了流程如何叠加：智能体先学会 “Find a place by its name”，后来遇到“查该地点邮编”的任务时，复用前几步找到地点，再补上查邮编的新步骤，形成更复杂的 “get the zip code of a place”（§3.1.3）。这是论文所说的 snowball effect。

AWM 的工程核心不是反向传播，而是「什么时候调用归纳器、把什么写进记忆」。

论文的两种模式共用同一个归纳器 I，差别在经验从哪来、什么时候归纳（§2.3）：

在线更新可以写成一行状态转移：

论文按网站分组运行 AWM：同网站的示例放在一组，各自维护一小套 workflow，避免记忆里塞进大量无关流程（§3）。归纳器本身也是 LM；Appendix A.1 的 prompt 要求每条 workflow 至少两步、不要生成相似/重叠流程、用描述性变量名表示非固定元素。

归纳出来的记忆有多大

Table 10 给出了 workflow 质量指标。WebArena 的 coverage 一栏原文为 “-”，因为该 benchmark 没有 canonical trajectories；这不是本页没读到。

Table 10 · 模型归纳 workflow 的质量评估（WebArena / Mind2Web）

论文的读法是：每个示例约产生 7.4 条（WebArena）/ 7.3 条（Mind2Web）workflow；WebArena 的 workflow 被 0.94 比例的测试样本使用，workflow 间步骤重叠只有 0.08；Mind2Web 的 utility rate 为 0.91，coverage 为 0.40（Appendix A.3）。

把 §2.3 的两种模式放在同一张图里，差别只在「经验从哪来、归纳在什么时候发生」。

先看主表，再看跨模板与跨领域：亮点和反直觉点都在这里。

WebArena：35.5% 总成功率，步数从 7.9 降到 5.9

Table 1 · WebArena 任务成功率（gpt-4）与平均步数

* 原文在 Table 1/2 的 SteP 行、Table 4（及 Appendix C 的 Table 11）的 MindAct 行标了星号，但正文、表注和脚注都没有说明含义；本页照录星号，不替原文推断。

论文的读法：AWM 总 SR 35.5%，比 BrowserGym 的 23.5% 高 12.0 个绝对点，相对提升 51.1%（§3.1）。相对 BrowserGym ax-tree 的 15.0%，差值是 20.5 个绝对点，相对 136.7%——这两个分母不能混。相对 SteP 的 33.0%，AWM 高 2.5 个绝对点，相对 7.6%。

步数方面，AWM 5.9 步，BrowserGym ax-tree 7.9 步，少 2.0 步；相对 AutoEval 的 46.7 步，少 40.8 步（§3.1）。

跨模板：不是只在同一模板里刷分

WebArena 有些任务来自同一模板，轨迹高度重叠。论文构造了 cross-template 子集：每个模板只随机取一个样本（§3.1.3）。

Table 2 · WebArena 跨模板子集的任务成功率（gpt-4；括号内为该网站样本数）

AWM 在这个子集上总 SR 33.2%，比 BrowserGym ax-tree 的 20.5% 高 12.7 个绝对点（相对 62.0%）；比 SteP 的 32.1% 高 1.1 个绝对点（相对 3.4%）。SteP 在这个子集上仍接近 AWM，人手 workflow 的强度不能忽略。

原文 §3.1.3 称 AWM “still achieves the highest performance, overall and on each website split”；总 SR 33.2 对 32.1 成立，但 Table 2 中 Shopping 上 SteP 26.5 高于 AWM 24.5，CMS 29.3 与 Reddit 52.2 两者持平。本页照录原句与表中数字，并列保留。

Mind2Web 离线：元素选得更准，但 action F1 反而更低

Table 3 · Mind2Web 跨任务离线结果（gpt-3.5 / gpt-4）

gpt-4 设置下，AWM 的 Step SR 45.1%，比 MindAct 的 36.2% 高 8.9 个绝对点（相对 24.6%）；元素准确率 50.6% 对 41.6%，高 9.0 个绝对点。gpt-3.5 设置下，AWM 的 Step SR 34.6%，比 Synapse 的 30.6% 高 4.0 个绝对点（相对 13.1%）。论文 §3.2.1 把 4.0–8.9 这组点差写成 “4.0–8.9% relative”；按 Table 3 复算，它们是 Step SR 的绝对点差，相对提升分别为 13.1% 与 24.6%，本页按绝对点差表述并另给相对值。

但 action F1 不是同向：AWM 4 的 57.3 低于 MindAct 4 的 60.6，差 3.3 个绝对点。论文的解释是 workflow 可能把智能体带向“和流程一致、但和当前环境状态不相关”的动作（§3.2.1）。推断（由 Table 3 的 EA 上升、AF1 下降反推）：workflow 提升的是元素定位与流程复用，不是每一步动作的精确性。

在线 vs 离线：域内略输，跨域反超

Table 4 是 gpt-4 下三个 split 的完整结果。切换下面的 split，看 AWM online 相对 MindAct 与 AWM offline 的差值。

Table 4 · Mind2Web 跨任务 / 跨网站 / 跨领域结果（gpt-4）

Table 4 的 gpt-4 设置下，关键不是“在线一定更好”，而是分布差距越大，在线越占优：Cross-Task 上 online 43.6 比 offline 45.1 低 1.5 个绝对点；Cross-Domain 上 online 35.5 比 offline 32.6 高 2.9 个绝对点，比 MindAct 18.6 高 16.9 个绝对点。论文的原话是 margin “widens as the domain gaps ... widen”（§3.2.2）。

论文也解释了在线为什么会在域内略输：在线从模型自己预测的轨迹里归纳，轨迹不总是正确，可能产生错误 workflow；离线则可能受训练/测试分布差异拖累（§3.2.2）。这两种误差方向不同，Table 4 的结果正好呈现交叉。

学习曲线：前 40 个样本最快

Figure 5 用 WebArena map split 展示累积成功率：0–40 个样本之间，智能体学到最关键的 workflow，成功率快速上升；之后逐渐稳定（§3.1.2）。Figure 1 还给出一个量级：在 WebArena map split 上，滚过几十个样本后，AWM 与不更新记忆的基线差距可达 22.5 个绝对点。这些是图级读数，不是表格里的精确统计。

这一节只列论文自己暴露的边界；不把「没测」写成「不行」，也不把「可能」写成「一定」。

1. 在线学习受评估器制约

在线模式只把评估器判为成功的轨迹写进记忆。论文明确承认：“AWM online induces workflows from model-predicted trajectories that are not always correct, thus can lead to incorrect workflows that degrade model performance.”（§3.2.2）论文没有报告评估器的准确率，也没有分析误判率对记忆污染的影响。

2. workflow 会把动作带偏

Table 3 里，gpt-4 设置下 AWM 的 action F1 低于 MindAct（57.3 vs 60.6）。论文的解释是 workflow 可能引导智能体执行“和流程一致、但和当前环境状态不相关”的动作（§3.2.1）。推断（依据：Table 3 的 EA 上升、AF1 下降）：流程复用提升的是元素定位和步骤组织，不是每一步动作的精确性。

3. 动态环境会打破预定义序列

Figure 7 的订票例子：输入城市名后，网站弹出附近机场选项；如果 workflow 把“选择弹出项”写死成预定义动作，执行时看不到中间状态，就不够灵活（§5）。论文把“实时状态访问/动态执行循环”列为未来方向。

另一个信号是：在 Mind2Web、gpt-4 设置下，把 workflow 包成高阶动作（AWM_AS）后，智能体只在 18.5% 的任务里调用这些新动作；Step SR 从 45.1 升到 46.4（+1.3 个绝对点），但任务 SR 从 4.8 降到 3.6（−1.2 个绝对点）（Table 9；调用率出自 §5）。这说明“把流程变成工具”并不自动被智能体采用。§5 正文还写两者总体 SR 相同、数值为 3.2；Table 9 列出的是 4.8 与 3.6。本页并列保留这两个来源，按 Table 9 的数字计算差值。

4. 离线与在线并不简单相加

Appendix C 把两套 workflow 合并成 AWM_off+on（Mind2Web, gpt-4）：Cross-Task 44.5、Cross-Website 33.3、Cross-Domain 34.1。按 Table 11，CT 44.5 与 CD 34.1 落在 offline 与 online 之间；CW 33.3 低于 offline 33.7 与 online 33.9，与 Appendix C 原句 “AWM off +on scores between AWMoffline and AWMonline across three test splits” 的表述不符。论文的结论是两套 workflow “not fully compatible”，离线 workflow 会影响在线 workflow 的生成质量与使用效率（Appendix C）。

5. 表示与环境的边界

• 线性流程：论文的 workflow 表示是步骤序列（§2.2），没有给出条件分支、循环或错误处理的字段；遇到分支/弹窗就要靠智能体临场偏离流程。
• 环境表示：Mind2Web、GPT-3.5-turbo 设置下，用自然语言描述状态比用过滤后的 HTML 更好：Step SR 34.6 vs 33.8，差 0.8 个绝对点；两者都加反而降到 32.9（Table 8）。这说明 workflow 里的状态描述不是无关紧要的装饰。
• 模型范围：AWM 实验用 GPT-4 与 GPT-3.5-turbo，temperature 0.0；WebArena 为 gpt-4-0613，Mind2Web 未写 GPT-4 小版本；Table 3 另含 CogAgent 3.5 基线。论文没有报告其他模型或多次运行的方差。
• 网站改版：推断（依据：Appendix A.2 的 workflow 含 click('42') 这类元素 id；论文未做 UI 改版实验）：前端元素 id 变化可能让已学 workflow 失效，这是记忆型方法的额外风险。

6. 归纳器不是越「LM」越好

WebArena、gpt-4 设置下，rule-based 与 LM-based 归纳几乎打平：AWM rule 35.6 vs AWM lm 35.5，LM 版只少 0.4 步（Table 5）。Mind2Web 跨任务、gpt-4 设置下，LM 版的优势更明显：Step SR 45.1 vs 43.4（+1.7 个绝对点），任务 SR 4.8 vs 2.0（+2.8 个绝对点）（Table 6）。推断（依据：Table 5 与 Table 6 的对照）：AWM 的收益至少有一部分来自“抽象子流程 + 记忆注入”这个框架，而不是 LM 归纳本身的复杂度；在 WebArena 上，规则归纳就能到同一量级。