webarena

收录理由

WebArena 让你在一个真实的浏览器环境里测试智能体，而不是对着玩具式的 API 调用。它自带一套可自托管的真实网站，包括电商商店、GitLab、论坛、地图和维基百科，并用类似 OpenAI Gym 的接口包装起来。你可以让智能体去执行具体任务，比如下单或者编辑页面，然后得到清晰的通过/失败结果，以及可回放的轨迹记录。作为论文的官方实现，它能够复现论文中的结果，而且周围的生态已经通过 AgentLab 和 BrowserGym 支持并行实验和统一的排行榜。对于评估基于 LLM 的网页智能体的团队来说，这是一个很实用的基准测试和调试默认选择。