网页代理需要在视觉丰富、时长跨度大的界面上导航，而这些界面在不同站点之间会有显著差异。过去的大多数代理都是为每个任务单独学习，完成后便丢弃所积累的过程知识。近期的技能增强框架首次引入技能库，但仅把库视为平面或两层的提示缓存，缺乏压缩冗余或递归组合技能的原则机制。
我们提出 Scaffold，一个自我提升的视觉网页代理框架，具备四大核心功能：① 在多实例抽象约束下，从成功轨迹中归纳可参数化、可执行的技能；② 维护递归层级结构，高层技能调用低层技能；③ 通过最小描述长度（MDL）准则和行为等价性检查对库进行压缩；④ 定期将技能增强的轨迹蒸馏回模型权重，使抽象内化。
在 WebArena、VisualWebArena 以及 Online‑Mind2Web 的留出测试集上，Scaffold 将成功率提升 $11.1$–$17.2$ 个绝对点，且在五轮自我提升迭代中呈单调增长，库规模未出现崩塌。代码与文档已在 Github 仓库公开。
点评