웹 에이전트의 상태 기반 동적 검색을 통해 온라인 스킬 학습

인공지능 에이전트가 관련된 작업을 수행하는 동안 여러 단계의 웹 자동화 작업을 향상시키기 위해 재사용 가능한 스킬에 점점 더 의존하고 있다. 온라인 스킬 학습에 대한 연구가 점점 더 많아지고 있는데, 에이전트가 이전 작업 경로에서 스킬을 유도하고 미래 작업에서 즉시 재사용하는 방식이다. 그러나 현재의 방법은 대부분 작업 수준에서 스킬을 재사용한다. 초기 작업 지시를 기반으로 고정된 스킬 세트를 검색하고 이후 실행 중에 고정된 스킬 세트를 유지하는 방식이다. 이 정적 전략은 웹 실행과 일치하지 않는다. 웹 실행에서는 다음 행동이 작업 목표뿐만 아니라 현재 웹페이지 상태에 의존한다. 웹페이지 상태는 종종 초기 스킬이 다루지 못하는 상황으로 변환된다. 이 격차를 해결하기 위해, 우리는 State-Grounded Dynamic Retrieval(SGDR)이라는 온라인 스킬 학습 방법을 제안한다. SGDR은 웹 에이전트가 중간 실행 상태에서 스킬을 재사용할 수 있도록 하는 방법이다. SGDR은 세 가지 구성 요소로 구성된다. 완료된 경로를 중간 실행 상태에서 호출할 수 있는 재사용 가능한 sub-procedure로 변환하는 슬라이딩 윈도우 추출 프로세스, 스킬 검색과 실행 가능 행동을 연결하는 dual text-code 표현, 작업 목표와 현재 웹페이지 상태에 맞는 스킬을 찾는 state-grounded dynamic retrieval 기법이다. WebArena에서 5개 도메인에 대한 실험 결과 SGDR은 강력한 기준선보다 지속적으로 우수한 성능을 나타내며, GPT-4.1에서는 평균 성공률 37.5%, Qwen3-4B에서는 평균 성공률 24.3%를 나타내며, 상대적 이익은 각각 10.6%와 10.0%이다. 코드는 https://github.com/plusnli/skill-dynamic-retrieval 에서 제공된다.