AgentHeal: Evaluating Goal-Preserving Resource Recovery of Web Agents under Access Barriers
作者: Zhiyi Liu, Haohua Du, Haoqi Sun, Haisheng Tan
分类: cs.CR, cs.CL
发布日期: 2026-10-29
备注: Code and Dataset are available at https://github.com/Lzzzzzzzzzzy/AgentHeal
💡 一句话要点
提出AgentHeal以解决网络代理在访问障碍下的资源恢复问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 网络代理 资源恢复 访问障碍 目标保持 智能系统 自动化任务
📋 核心要点
- 现有方法假设目标资源可自由访问，未能处理复杂的访问障碍，导致代理任务失败。
- 本文提出AgentHeal基准，评估代理在面对访问障碍时的资源恢复能力，强调目标保持的重要性。
- 实验结果显示，在访问障碍下，代理的任务成功率显著下降，提供了对代理设计的有价值诊断。
📝 摘要（中文）
大型语言模型（LLM）代理在自动化复杂的信息检索和交易任务中表现出色，但在现实世界中的可靠性受到访问障碍的限制，如死链接、认证墙、速率限制和反爬虫防御。这些障碍阻碍了代理的主要执行路径，导致其提前中止、无限循环或悄然妥协用户的原始约束。现有评估要么隐含假设目标资源是自由可访问的，要么关注简单重试可以解决的瞬态扰动，未能捕捉代理必须主动绕过不可逾越瓶颈的场景。为填补这一空白，本文提出了AgentHeal，一个全面的基准，评估目标保持的资源恢复能力，即网络代理检测非瞬态访问障碍、转向合法替代来源并实现用户确切原始目标的能力。实验表明，在访问障碍下，任务成功率从89.4%骤降至43.7%。
🔬 方法详解
问题定义：本文旨在解决大型语言模型代理在面临访问障碍时的资源恢复问题。现有方法未能有效处理非瞬态的访问障碍，导致代理任务频繁失败或偏离用户目标。
核心思路：论文提出AgentHeal基准，强调代理在检测和绕过访问障碍时必须保持用户的原始目标。通过引导代理识别合法替代资源，提升其在复杂环境中的可靠性。
技术框架：AgentHeal的整体架构包括障碍检测模块、资源重定向模块和目标验证模块。代理首先识别访问障碍，然后寻找合法的替代资源，最后验证是否满足用户的原始目标。
关键创新：最重要的技术创新在于引入了目标保持的概念，强调在资源恢复过程中，代理必须确保不偏离用户的原始意图。这与现有方法的单纯重试策略形成鲜明对比。
关键设计：在设计中，采用了多种障碍检测算法，并设置了相应的损失函数，以确保代理在选择替代资源时的准确性和有效性。网络结构上，结合了深度学习模型以增强代理的决策能力。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在面对访问障碍时，代理的任务成功率从89.4%骤降至43.7%。这一显著下降揭示了现有代理在复杂网络环境中的脆弱性，为未来的代理设计提供了重要的改进方向。
🎯 应用场景
该研究的潜在应用领域包括智能客服、自动化信息检索和在线交易系统等。通过提高网络代理在复杂环境中的可靠性，AgentHeal能够显著提升用户体验和任务成功率，具有广泛的实际价值和未来影响。
📄 摘要（原文）
Large language model (LLM) agents have demonstrated strong capabilities in automating complex information-seeking and transactional tasks across the open web. However, their real-world reliability remains limited by access barriers, such as dead links, authentication walls, rate limits, and anti-scraping defenses. These barriers block the primary execution path, causing agents to abort prematurely, loop indefinitely, or quietly compromise the user's original constraints. Existing evaluations either implicitly assume that target resources are freely accessible or focus on transient perturbations that simple retries can resolve, failing to capture scenarios where agents must actively reroute around impassable bottlenecks. To bridge this gap, this paper introduces AgentHeal, a comprehensive benchmark evaluating goal-preserving resource recovery, defined as the ability of web agents to detect non-transient access barriers, pivot to legitimate alternative sources, and fulfill the user's exact original objective. Spanning nine barrier families across a counterfactual sandbox and real-website replay, our experiments on leading LLM backbones show that average task success drops sharply from 89.4% to 43.7% under access barriers. Further analysis reveals that agents frequently fall for deceptive look-alikes, fail to escalate to users when necessary, violate access policies, or waste computation on futile retries, providing actionable diagnostics for developing resilient web agents.