Web-CogReasoner: Towards Knowledge-Induced Cognitive Reasoning for Web Agents¶
会议: ICLR 2026
arXiv: 2508.01858
代码: https://github.com/Gnonymous/Web-CogReasoner
领域: LLM Agent
关键词: Web Agent, 认知推理, Bloom分类学, Chain-of-Thought, 知识驱动
一句话总结¶
受Bloom教育分类学启发，提出 Web-CogKnowledge Framework，将Web Agent能力分解为 Factual→Conceptual→Procedural 三层知识的渐进式学习，配合 Knowledge-driven CoT 推理框架训练得到 Web-CogReasoner，在Web-CogBench上以84.4%超越Claude Sonnet 4 (76.8%)和Gemini 2.5 Pro (80.4%)。
研究背景与动机¶
Web Agent正从早期的规则系统演变为基于LLM/LVM的智能系统。当前Web Agent面临的核心挑战是：通用预训练知识在专门任务上存在性能瓶颈。
具体而言：
纯文本Agent：仅处理HTML/Accessibility Tree，遗漏视觉线索
纯视觉Agent：直接从截图推理，但缺乏结构化数据
混合Agent：整合双模态，但仍缺乏系统化的知识基础
先前的知识增强方法往往缺乏系统性或理论支撑。论文的关键洞察来自教育学：人类学习先是积累知识（阶段1），然后基于知识基础学习应用、创新和创造（阶段2）。对应到Web Agent： - 阶段1（知识内容学习）：建立多层基础——事实性知识（基本概念）和概念性知识（关系理解），对应"学什么" - 阶段2（认知过程）：发展程序性知识——逻辑推理框架，对应"怎么做"
方法详解¶
整体框架¶
论文要解决的是"通用预训练知识在专门的 Web 任务上打不过"这一瓶颈，思路是把"教 Agent 什么知识"和"教 Agent 怎么用知识"系统化。整体分两条线汇成一个模型：先借 Bloom 教育分类学把网页知识分成事实性、概念性、程序性三层，据此从 14 个真实网站爬取并按层标注出 Web-CogDataset，再用"先记忆、再理解、后探索"的课程学习把基座微调成 Web-CogReasoner；推理时模型不直接拍动作，而是走一遍 Knowledge-driven CoT，按事实→概念→程序三层依次提问后再规划动作。整个 Agent-网页交互被建模为引入知识集合 \(K\) 的 POMDP \(P=(S,A,O,K,T,R)\)，每一步以截图和 Accessibility Tree 为观测 \(O\)，先生成推理思路 \(h_t\) 再选出动作 \(a_t\)。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400, 'subGraphTitleMargin': {'top': 8, 'bottom': 16}}}}%%
flowchart TD
A["14个真实网站<br/>截图 + Accessibility Tree"] --> KNOW
subgraph KNOW["三层知识分类"]
direction TB
F["事实性<br/>Memorizing"] --> C["概念性<br/>Understanding"] --> P["程序性<br/>Exploring"]
end
KNOW --> D["Web-CogDataset<br/>12种任务·每条样本按层标注"]
D --> T["课程学习<br/>S1事实 → S2概念 → S3程序"]
T --> M["Web-CogReasoner<br/>（Qwen2.5-VL-7B 监督微调）"]
M --> K["Knowledge-driven CoT<br/>有什么 → 什么意思 → 怎么做"]
K --> ACT["Plan → Action a_t"]关键设计¶
1. 三层知识分类：把"通用知识打不过专门任务"的瓶颈拆成可逐层教学的对象
原本笼统的"网页知识"无从下手训练，论文借鉴 Bloom 教育分类学，把 Web Agent 需要的知识从底到顶分成事实性、概念性、程序性三层，分别对应记忆、理解、探索三种认知能力，于是它变成三类目标明确、可分别采样的样本。三层的定义与典型任务如下：
| 知识层级 | 定义 | 对应认知能力 | 示例任务 |
|---|---|---|---|
| 事实性知识 | 网页元素的具体信息 | Memorizing（记忆） | 识别元素属性、预测单步交互结果 |
| 概念性知识 | 语义关系和抽象模式 | Understanding（理解） | 推断界面组件功能、理解页面结构 |
| 程序性知识 | 完成任务的操作方法 | Exploring（探索） | 执行目标导向序列、处理中断 |
这个分层不是命名游戏：后面的消融显示低层是高层的前提，跳过低层直接训练高层会失败（仅 S3 在线成功率 13.14%，补上 S1 后翻倍到 23.47%），所以三层既是分类，也定义了训练的先后顺序。
2. Web-CogDataset：让三层知识落到真实网页上而非凭空标注
光有分类还不够，得有按层组织的真实语料才能教。论文从 14 个代表性网站选择性爬取元数据，按三层知识设计出 12 种精细任务，覆盖从感知元素、理解组件功能到执行目标序列的完整链路。关键在于每条样本都被明确归到某一知识层，从而能在课程学习里按层取用，让训练信号与知识分类一一对应，而不是把所有数据混在一起喂。
3. Knowledge-driven CoT（KCoT）：把三层知识塞进推理链，让模型决策时按层调用知识而非直接拍动作
即便学过三层知识，模型推理时若把知识当背景噪声，掌握度也兑现不成动作准确率。KCoT 把推理组织成 \(\text{Task Prompt} \rightarrow \text{KCoT} \rightarrow \text{Plan} \rightarrow \text{Action}\) 的链条，其中 KCoT 这一步显式拆成三问：事实层先问"页面上有什么"以识别元素和状态，概念层再问"这意味着什么"以推断组件角色和交互关系，程序层最后问"如何完成任务"以规划目标导向的步骤。这样每步动作前模型都按事实→概念→程序的顺序复盘一遍已学知识。它的必要性有硬数据：同样学满三层知识，不配 KCoT 在线成功率仅 25.35%，配上 KCoT 直接升到 42.9%——知识和调用知识的推理框架缺一不可。
损失函数 / 训练策略¶
训练以 Qwen2.5-VL-7B 为基座做监督微调，采用模仿学习并套用知识引导的推理模板，关键在于按三层知识做课程学习而非一次性混合喂入：阶段 S1 只喂事实性样本（元素属性识别、单步交互预测），阶段 S2 加入概念性样本（元素功能理解、页面结构理解），阶段 S3 再叠上程序性样本（多步任务执行、意图推理、中断处理）。这种"先记忆、再理解、后探索"的渐进顺序与三层知识的依赖关系对齐，使高层探索能力建立在已稳固的低层基础之上。
实验关键数据¶
主实验（Web-CogBench）¶
各模型在8项任务的综合表现：
| 模型 | Memorizing | Understanding | Exploring | Overall |
|---|---|---|---|---|
| Claude Sonnet 4 | – | – | – | 76.8 |
| Gemini 2.5 Pro | – | – | – | 80.4 |
| Qwen2.5-VL-7B | 53.2 | 60.0 | – | 69.8 |
| UI-TARs-7B-SFT | 63.5 | 48.0 | – | 46.4 |
| Web-CogReasoner | 91.4 | 69.2 | – | 84.4 |
WebVoyager在线任务成功率（15个网站平均）：
| Agent | Overall |
|---|---|
| Claude Sonnet 4 | 47.7% |
| Gemini 2.5 Pro | 54.9% |
| OpenWebVoyager-Max | 26.2% |
| Web-CogReasoner | 30.2% |
VisualWebBench综合评分：
| 模型 | 感知均分 | 推理均分 | Overall |
|---|---|---|---|
| Claude Sonnet 4 | 80.7 | 91.2 | 85.9 |
| Gemini 2.5 Pro | 80.3 | 93.0 | 86.6 |
| UI-TARs-7B-SFT | 82.4 | 89.7 | 86.0 |
| Web-CogReasoner | 79.0 | 93.6 | 86.3 |
消融实验（课程学习渐进增益）¶
渐进式知识训练在Web-CogBench上的效果：
| 配置 | Memorizing | Understanding | Exploring | Overall |
|---|---|---|---|---|
| 基座模型 | 67.6 | 61.0 | 77.9 | 69.8 |
| +S1 (事实知识) | 85.5 (+17.9) | 64.2 | 60.1 | 72.1 |
| +S1+S2 (概念知识) | 88.1 | 75.5 (+11.3) | 65.8 | 78.3 |
| +S1+S2+S3 (程序知识) | 90.8 | 74.1 | 85.0 (+19.2) | 84.4 |
层级依赖验证（WebVoyager）：
| 配置 | Overall |
|---|---|
| S3 only | 13.14% |
| S1+S3 | 23.47% |
| S1+S2+S3 (w/o KCoT) | 25.35% |
| S1+S2+S3 (w/ KCoT) | 42.9% |
关键发现¶
- 低层知识是高层知识的前提：S1+S3的成功率(23.47%)几乎是S3 only(13.14%)的两倍，证明程序性探索离不开事实性基础
- KCoT是知识激活器：完整知识(S1+S2+S3)但无KCoT仅25.35%，加KCoT后飙升至42.9%——知识与推理框架缺一不可
- UI-TARs的启示：UI-TARs在VisualWebBench上表现优秀(86.0%)，但Web-CogBench仅46.4%——强感知能力并不等于认知推理能力
- 执行效率：Web-CogReasoner的平均任务步数(4.73)低于所有对比方法，结构化知识带来更高效的决策
亮点与洞察¶
- 教育学理论指导AI训练：首次将Bloom分类学系统性地应用于Web Agent训练，从"教什么"和"怎么教"两个维度设计训练流程
- 知识层级的严格验证：消融实验清晰证明了Factual→Conceptual→Procedural的依赖链——跳过低层直接训练高层能力会失败
- KCoT的"知识激活"功能：与简单增加训练数据不同，KCoT提供了一种显式的知识组织方式，使模型能够在决策时按层调用已有知识
- 开源标杆的超越：7B开源模型在多个维度超越或逼近Claude/Gemini等闭源商用模型
局限与展望¶
- 依赖模仿学习：当前训练完全基于SFT/IL，缺乏强化学习的探索能力，可能限制Agent发现新策略
- 在线任务仍落后商用模型较大：WebVoyager上(30.2% vs Gemini 54.9%)，实际网页交互能力仍有提升空间
- Cross-web泛化较弱：Online Mind2Web的跨网站泛化(10.1%)显著弱于Claude(21.7%)，未见过的网站仍是挑战
- 14个网站的知识覆盖面：构建训练集的网站数量有限，扩展到更多领域和网站的泛化性有待验证
- 未来方向：集成强化学习以增强探索、泛化和自主发现程序性知识的能力
相关工作与启发¶
- 与UI-TARs的互补：UI-TARs强于视觉感知但弱于认知推理，Web-CogReasoner通过知识框架弥补了从感知到推理的鸿沟
- 与AutoWebGLM的关系：AutoWebGLM也使用课程学习，但仅关注结构识别→组件理解→任务执行的技能维度，未建立知识层级理论
- 与CoT推理的关系：KCoT不是通用的思维链，而是按知识层级组织的结构化推理——事实→概念→程序，每层推理有明确的资源依赖
评分¶
- 新颖性: ⭐⭐⭐⭐ (Bloom分类学的应用于Web Agent训练有新意，KCoT框架有理论基础)
- 实验充分度: ⭐⭐⭐⭐⭐ (4个benchmark、详尽消融、层级依赖验证、效率分析、跨域泛化测试)
- 写作质量: ⭐⭐⭐⭐ (理论框架清晰，教育学动机自洽，实验组织合理)
- 价值: ⭐⭐⭐⭐ (提供了Web Agent系统化训练的方法论，数据集和benchmark有社区价值)