Summary
第一篇专门面向 WebAgent（基于 Large Foundation Model 的 web 自动化 agent）的系统综述，沿 architectures / training / trustworthiness 三条主线组织领域，回答”能否用 LFM 造出自动处理 web 任务的强 agent”这一总问题。KDD 2025 接收，是 web agent 方向的参考锚点。
Problem & Motivation
web 是电商、办公、检索、政务等真实数字工作流的主要接口，用 LFM（billions 参数、强语言理解与推理）自动化 web 任务有巨大落地价值。但领域快速膨胀、工作碎片化，缺一张把”agent 怎么搭、怎么训、可不可信”三件事统一起来的地图。作者提供这张地图，作为后续研究的 positioning 参考。
Method
[未获取全文，仅基于 abstract + 页面结构]
综述的三维分类框架：
- Architectures（架构）：WebAgent 的感知-规划-执行组织方式。领域内可区分几类范式——text-finetuned agent（如 WebGPT）、HTML-pretrained agent（如 WebAgent/HTML-T5）、prompting-based instruction-following agent（用轻量提示做 zero-shot 决策）。
- Training（训练）：从 SFT、trajectory imitation 到 RL 的训练路线，关注学习效率与数据来源。
- Trustworthiness（可信）：把可靠性/安全性作为与能力并列的一等维度——决策可信、对抗鲁棒、隐私是实际部署的前提。
Key Results
综述类论文，无实验数字。核心贡献是 taxonomy 与 open challenge 梳理：强调 trustworthiness 与架构设计同等重要，agent 决策可靠性仍是部署瓶颈。
Strengths & Weaknesses
亮点：领域首篇专门 WebAgent 综述，architectures/training/trustworthiness 三分法清晰，适合作为 WebAgent-Survey 的外部参考锚点与 related work 起点。
局限：(1) 截至 2025-03，未覆盖后续 deep-research 分支（WebSailor 系）与大规模 visual web RL（WebGym 系）的爆发；(2) trustworthiness 一节偏概念梳理，缺对 indirect prompt injection（2605-WebTrap/WASP）等具体攻击面的深入。属”了解即可”的 landmark reference。
Mind Map
mindmap root((Survey of WebAgents)) Problem LFM 做 web 自动化 领域碎片化需地图 Method Architectures Training Trustworthiness Results 三维 taxonomy 可信是部署瓶颈
Notes
- 与 vault 的 2411-GUIAgentSurvey、2508-OSAgentsSurvey、2501-ACUSurvey 互补：那三篇是宽 GUI/CUA/OS，本篇专注 web 模态。