阿里发布了自主研发的搜索型AI智能代理，能够高效检索学术论文和

昨日凌晨，阿里巴巴正式开源了一款名为WebAgent的创新型自主搜索AI代理。无论是学术研究、商业分析还是日常信息获取，搜索一直是从海量网络数据中提取准确且有价值内容的重要手段。然而，传统搜索工具往往只能返回表层的信息结果，难以满足用户更复杂、多样的需求。

相比之下，WebAgent具备端到端的自主信息检索能力以及多步骤的推理分析功能。它能够像人类一样主动感知网络环境，做出判断并执行相关操作。举例来说，当用户需要查询某一领域的最新科研进展时，WebAgent会自动访问多个学术数据库，筛选并挑选出最相关的文献资料，随后基于用户指示进行深入分析与内容提炼。

不仅如此，WebAgent还能够识别文献中的关键信息，通过多步推理整合不同文献的观点，生成一份系统全面且精准的研究报告，极大提升了信息检索的深度和质量。

开源地址：
https://github.com/Alibaba-NLP/WebAgent

WebDancer框架由四个主要部分组成，涵盖从数据构建到训练优化的全过程，旨在打造能够自主执行复杂信息检索任务的智能体。整个系统的起点是浏览数据的构建，因为高质量的训练数据对智能体的学习效果和泛化能力至关重要。为突破传统数据集的不足，WebDancer采用了两种创新性的数据合成策略。

其中一种是CRAWLQA方法，它通过模拟人类浏览网页的方式，递归爬取知名网站的首页及其子页面，收集大量丰富的信息。接着，利用先进模型对这些内容进行处理，生成内容深刻且多样化的问答对。这些问答对不仅涵盖多种类型的问题，还通过多步骤推理和复杂目标拆解，显著提升了任务的难度和复杂性。

另一种数据生成方式是E2HQA，该方法采用迭代增强策略，将基础的问答对逐渐演化为需要多步推理才能解决的复杂问题。具体来说，它从简单的事实性问题开始，逐步引入新的信息和相关子问题，最终形成多层次、多步骤的问题结构。这两种数据构建策略共同为WebDancer提供了丰富且多样化的训练样本，提升了模型在不同任务上的学习能力和表现。

随后进入轨迹采样阶段。此阶段基于ReAct框架，结合拒绝采样技术来生成高质量的行为轨迹。ReAct框架的核心理念是将推理与执行紧密结合，形成一个循环的互动过程，智能体会生成自由形式的思考内容以及结构化的行动指令，借此与外部环境交互并获取反馈。

为了保证轨迹的有效性和连贯性，WebDancer采用了两种推理方式：短推理和长推理。短推理借助大型模型直接输出简明的推理路径，而长推理则通过专门的推理模型，分步构建出更复杂细致的推理过程。

这两种策略生成的轨迹经过严格筛选，以保证其质量和相关性。筛选环节涵盖了有效性检测、准确性核验以及整体质量评估，确保最终选用的轨迹能够为智能体训练提供可靠且有价值的指导。

完成数据准备后，WebDancer进入监督微调（SFT）阶段。该阶段旨在利用高质量的轨迹数据对智能体进行初步训练，使其能够适应信息检索任务的具体形式和环境特点。

在监督微调过程中，WebDancer对轨迹中的思考过程、行动步骤和观察结果进行了详细标注，并通过损失函数来优化模型参数。为了增强模型的鲁棒性，训练时排除了外部反馈的干扰，促使模型更加专注于自身的决策能力。这一阶段的训练为智能体奠定了坚实的基础，使其在之后的强化学习环节中能够更好地应对复杂任务。

强化学习（RL）阶段是WebDancer框架中的核心环节。在此过程中，智能体通过不断与环境互动，逐步学习如何在复杂任务中做出最优选择。WebDancer采用了专门为智能体训练设计的DAPO算法。

该算法通过动态采样的方法，充分挖掘和利用之前未被充分利用的问答数据，从而提升数据使用效率和策略的稳定性。智能体在多轮尝试与反馈中不断调整和改进决策策略，最终实现了高效的多步推理与信息检索能力。

·

我们相信人工智能为普通人提供了一种“增强工具”，并致力于分享全方位的AI知识。在这里，您可以找到最新的AI科普文章、工具评测、提升效率的秘籍以及行业洞察。

欢迎关注“福大大架构师每日一题”，让AI助力您的未来发展。

·