26. WebArena 与 BrowserGym：Web Agent 的可复现环境

Benchmark 专题 · 3～5 小时

学习目标

本章产物： 设计一个可 reset 的最小 Web Eval Environment。

直接让 Agent 访问真实网站会遇到：

这使历史结果难以比较。

WebArena 通过自托管的真实功能 Web 应用构建可复现环境，并设计长链路任务。

核心思想：

尽量保持真实交互，同时把环境控制在可 reset、可验证范围。

Web Agent 不应只看“点了哪些按钮”。

例如：

在论坛发布指定内容。

应验证：

post exists
author correct
content correct
visibility correct
no duplicate

最终 backend state 往往比截图更可靠。

BrowserGym 提供统一 Gym 风格环境，用于集成 WebArena、WorkArena 等环境。

值得借鉴的是：

Environment Adapter
Observation Space
Action Space
Task
Reward

使 Agent 与具体 benchmark 解耦。

至少保存：

常见原因：

测试环境要尽量冻结。