Разработчики представили Agenlus — открытый фреймворк для обучения ИИ-агентов взаимодействию с веб-интерфейсами через метод обучения с подкреплением (Reinforcement Learning). Система позволяет агентам самостоятельно осваивать сложные сценарии навигации и выполнения задач в браузере, обучаясь на собственных ошибках, что снижает зависимость от проприетарных API крупных технологических корпораций и закрытых экосистем.
В отличие от традиционных подходов, основанных на имитационном обучении по готовым датасетам, Agenlus фокусируется на автономном исследовании среды. Агент получает вознаграждение за успешное достижение целевого состояния страницы, что позволяет ему адаптироваться к динамически меняющимся элементам верстки и сложным многошаговым процессам, которые часто вызывают сбои у стандартных LLM-агентов.
Технология направлена на создание инфраструктуры для децентрализованных агентов, способных выполнять пользовательские поручения в реальном времени. Использование RL-подхода позволяет системе не просто следовать жестким инструкциям, а вырабатывать устойчивые стратегии поведения, минимизируя необходимость в постоянной доразметке данных или ручном написании правил для каждого нового сайта.
Ключевые факты
- Agenlus использует метод обучения с подкреплением для навигации по DOM-структуре веб-страниц.
- Фреймворк ориентирован на снижение монополии крупных игроков на инструменты автоматизации браузеров.
- Система обучается через серию итеративных попыток, минимизируя количество ошибок при выполнении целевых действий.
- Решение доступно в виде открытого исходного кода для интеграции в агентные системы.