Prune4Web: DOM-Pruning für effiziente Web-Agenten

Die Automatisierung von Web‑Interaktionen wird zunehmend von intelligenten Agenten getragen, die menschliche Aktionen nachahmen. Trotz der Leistungsfähigkeit moderner Large‑Language‑Modelle (LLMs) bleibt die Navigation durch komplexe, reale Webseiten ein großes Problem: Die Document‑Object‑Modelle (DOMs) enthalten oft zwischen 10 000 und 100 000 Tokens, was die Verarbeitung für LLMs extrem kostenintensiv macht.

Prune4Web löst dieses Problem, indem es die DOM‑Verarbeitung von der rechenintensiven LLM‑Lesung auf ein leichtgewichtiges, programmatisches Pruning‑System verlagert. Das Herzstück ist die „DOM Tree Pruning Programming“ – ein Verfahren, bei dem ein LLM Python‑Skripte generiert, die DOM‑Elemente anhand semantischer Hinweise aus zerlegten Teilaufgaben bewerten und filtern. Dadurch muss das LLM nicht mehr die gesamte, riesige DOM‑Struktur einlesen, sondern delegiert Traversierung und Scoring an interpretierbare Programme.

Durch diesen Ansatz reduziert sich die Anzahl der Kandidaten für die spätere Ausführung um 25 – 50 Fach. Das führt zu einer präziseren Lokalisierung von Aktionen und verhindert, dass die Aufmerksamkeit des Modells über zu viele Elemente verteilt wird. Gleichzeitig bleibt die Lösung skalierbar und ressourcenschonend.

Zusätzlich präsentiert das Team einen spezialisierten Annotation‑Pipeline und eine zweistufige Dialog‑Trainingsstrategie, die Planner, Filter und Grounder in einem einheitlichen Rahmen optimieren. Diese Kombination aus programmatischem Pruning, gezielter Datenaufbereitung und abgestimmtem Training macht Prune4Web zu einem vielversprechenden Ansatz für die nächste Generation von Web‑Agenten.