阿里云通义实验室近日宣布正式开源其自主搜索 AI 智能体项目 WebAgent，其中旗舰组件 WebShaper 和 WebSailor 在网络智能体领域引发广泛关注。作为一款突破性的 AI 工具，WebAgent 以其端到端的自主信息检索与多步推理能力，展现出接近甚至超越人类专家的网络交互水平。
WebAgent: 模拟人类搜索行为的智能体
WebAgent 是阿里巴巴通义实验室开发的一款开源 AI 智能体，旨在模拟人类在网络环境中的感知、决策和行动循环。其核心目标是通过自主搜索和多步推理，高效处理复杂、模糊的网络任务。WebAgent 包含多个关键组件，其中 WebSailor 和 WebShaper 是技术创新的亮点。根据官方介绍，WebAgent 能够主动搜索学术数据库、新闻网站和专业论坛，筛选关键信息并生成结构化报告，广泛适用于学术研究、商业分析和日常查询等场景。
在
WebShaper: 形式化驱动的数据合成新范式
WebShaper 是 WebAgent 生态中的核心创新，提出了一种基于 「形式化驱动」 的数据合成方法，解决了 AI 在高不确定性任务中的推理难题。WebShaper 通过集合论构建了信息搜索任务的数学化表示框架，利用 「知识投影」 概念，将复杂搜索过程抽象为实体集合的操作。例如，查询 「出生于 90 年代的球员在 2004-05 赛季为东德足球队效力」 时，WebShaper 能系统化地生成训练数据，确保 AI 在多步推理中保持准确性。
WebShaper 数据集覆盖体育、学术、政治、娱乐等多个领域，其中体育类问题占 21%，学术类占 17%，确保了知识的广泛适应性。其逐层扩展策略避免了推理捷径和信息冗余，使 AI 必须通过完整推理路径得出答案。在实验中，WebShaper 训练的模型在相同数据量下，性能显著优于 WebWalkerQA 和 E2HQA 等传统数据集。
WebSailor: 复杂任务中的 「超级网络侦探」
作为 WebAgent 的 「大脑」，WebSailor 是一个大规模语言模型，负责理解用户意图、制定浏览策略并决定操作步骤。其
WebSailor 的训练采用了创新的 SailorFog-QA 数据集，通过子图采样和信息模糊化技术模拟真实网络环境中的复杂知识图谱。这种方法赋予了模型处理 「超人类」 任务的能力，例如在 BrowseComp 测试中，WebSailor-32B 和 72B 版本不仅领先所有开源模型，还超越了部分闭源系统。
WebDancer 与 WebWalker: 构建完整生态
WebAgent 的成功离不开其两大模块:WebDancer 和 WebWalker。WebDancer 是一个端到端智能体训练框架，通过四阶段训练 （数据构建、轨迹采样、监督微调、强化学习） 提升 AI 的多步搜索能力。其
WebAgent 的混合推理模式通过 「思维预算机制」 动态分配计算资源，实现快速响应简单查询与深度推理复杂任务的平衡。在实际应用中，WebAgent 能在 10 分钟内完成特斯拉与小鹏汽车配置表的爬取与分析，或从 PubMed 等数据库提取临床试验数据并生成溯源报告，效率远超人工。
开源意义: 重塑信息处理与社区创新
WebAgent 的开源不仅降低了企业和开发者的使用成本，还为全球 AI 社区提供了工业级训练框架和评估标准。其 GitHub 仓库 （https://github.com/Alibaba-NLP/WebAgent） 已获超 4000 次星标，位列 GitHubtrending
从学术研究到商业决策，WebAgent 的应用潜力巨大。例如，研究人员可利用其快速检索 ACL2025 论文主题，商业用户可分析 2025 年 AI 芯片市场趋势，普通用户则能获取旅游规划或健康咨询等个性化建议。WebAgent 的开源标志着 AI 智能体从技术演示迈向生产力场景，未来有望推动跨模态信息整合和开放领域推理的进一步突破。
GitHub:https://github.com/Alibaba-NLP/WebAgent
huggingface:https://huggingface.co/datasets/Alibaba-NLP/WebShaper
model
