进入 2025 年以来，AI Agent 的发展明显提速。5 月 6 日，OpenAI 宣布以 30 亿美元收购 Windsurf；编程工具 Cursor 的母公司 Anysphere 也获得了 9 亿美元的融资，估值高达 90 亿美元；号称中国第一个通用 AI Agent 的 Manus 在五月也获得了硅谷老牌风险投资公司 Benchmark 领投的 7500 万美元的融资；OpenAI 在一月推出了具备自主使用浏览器能力的 Operator。

然而，当前AI Agent 的运作方式面临着重大挑战，主要源于人类设计的界面与 LLM 能力之间的根本不匹配。这种不匹配限制了网络智能体的效率、可靠性和透明度，凸显了开发新交互范式的迫切需求。

麦吉尔大学的研究团队在其论文 “Build the web for agents, not agents for the web” 中提出了一种颠覆性的理念：与其迫使网络智能体适应为人类设计的界面，不如开发专门为智能体能力优化的新交互范式。这一理念的核心是引入 “智能体网络界面（AWI）” 的概念，旨在通过六个关键设计原则，为所有主要利益相关者提供安全、高效和标准化的网络体验。

现有的网页设计主要是为了满足人类用户的视觉、交互和认知需求。网页通常包含大量的图形元素、复杂的布局和动态内容，这些对于人类用户来说易于理解和操作，但对于 AI 智能体而言，却构成了巨大的挑战。

例如，网页的文档对象模型（DOM）树可能非常庞大，包含数千个节点，这使得智能体难以快速准确地解析和理解页面结构。此外，许多网页依赖于视觉线索和用户交互来传达信息，如鼠标悬停显示菜单、滑动操作等，这些对于没有视觉感知和物理操作能力的 AI 智能体来说几乎无法处理。

现有方法的挑战

处理复杂的网页输入

现有方法在处理网页输入时面临诸多困难。网页的 DOM 树结构复杂，包含大量的标签、属性和嵌套关系，这使得智能体难以快速准确地提取有用信息。例如，一个电子商务网站的产品页面可能包含多个层级的 DOM 元素，用于展示产品图片、描述、价格、评论等信息。智能体需要能够准确地定位和解析这些元素，才能完成诸如产品比较、价格查询等任务。然而，由于 DOM 树的复杂性，智能体可能会遇到错误的解析或信息遗漏的问题。

此外，网页中的动态内容也给智能体带来了挑战。许多网页使用 JavaScript 来实现动态效果，如实时更新的股价、滚动新闻等。这些动态内容可能在页面加载后才生成，或者根据用户的交互而变化。智能体需要能够实时监测和处理这些动态变化，才能获取最新的信息。但目前的方法在处理动态内容时往往效率低下，需要耗费大量的计算资源和时间。

依赖屏幕截图和额外信息

为了克服网页输入的复杂性，一些方法尝试使用屏幕截图作为智能体的输入。通过将网页转换为图像，智能体可以利用计算机视觉技术来识别页面中的元素。然而，这种方法需要额外的信息来辅助理解，如文本识别（OCR）技术来提取图像中的文字信息。OCR 技术虽然在近年来取得了一定的进展，但仍然存在准确性问题，尤其是在处理复杂字体、模糊图像或手写文字时。

此外，屏幕截图无法捕捉网页的交互性和语义信息。智能体无法通过屏幕截图了解页面中元素的链接关系、表单的提交方式等。这使得智能体在进行诸如点击链接、填写表单等操作时变得困难，需要依赖额外的规则或人工标注来指导。

API 交互的局限性

另一种常见的方法是通过 API 与网页进行交互。API 提供了一种标准化的方式来访问网页的后端数据，避免了直接处理复杂的前端界面。然而，并非所有的网页都提供了可用的 API，而且即使有 API，其接口设计也可能不适合智能体的需求。

一些 API 可能需要复杂的认证和授权过程，这增加了智能体使用的难度。此外，API 返回的数据格式可能与智能体期望的格式不一致，需要进行额外的数据转换和处理。而且，API 的更新和维护通常由网站所有者负责，这意味着智能体可能会因为 API 的变化而无法正常工作，需要频繁地进行调整和更新。

智能体网络界面（AWI）的概念

为了应对现有方法的挑战，麦吉尔大学的研究团队提出了智能体网络界面（AWI）的概念。AWI 被定义为一种专门为智能体设计的界面，它通过简化网页结构、提供标准化的交互方式和明确的语义信息，使智能体能够更高效地理解和操作网页内容。与传统网页界面不同，AWI 的设计目标不是满足人类用户的视觉和交互需求，而是最大化智能体的性能和效率。

AWI 的优势

AWI 具有多方面的优势。首先，它简化了网页结构，减少了不必要的图形元素和复杂的布局，使智能体能够更快地解析和理解页面内容。通过使用标准化的标签和属性，AWI 提供了一致的界面结构，降低了智能体处理网页的难度。

其次，AWI 提供了明确的语义信息，使智能体能够准确地理解页面中元素的含义和功能。例如，通过使用语义化的标签来标识产品名称、价格、评论等信息，智能体可以直接定位和提取这些信息，而无需进行复杂的模式匹配和推理。

此外，AWI 支持标准化的交互方式，使智能体能够以统一的方式与网页进行交互。例如，通过定义标准化的表单提交方式、链接点击方式等，智能体可以更轻松地完成各种任务，提高了交互的可靠性和效率。

为了确保 AWI 的有效设计，研究团队提出了六个指导原则，这些原则涵盖了安全性、效率、标准化、透明性、适应性和可兼容性等多个方面。

论文链接： https://arxiv.org/pdf/2506.10953