GUI Agent 的现实拐点：从模型崇拜到数据与系统的时代
过去两年，GUI Agent（无论是 Web、Desktop 还是 Mobile）在学术界和工业界经历了一轮令人咋舌的快速升温。从 GPT-4V、Qwen-VL 到 SeeAct、CogAgent 再到最近的 UI-TARS，模型的能力看似突飞猛进，各种惊艳的 Demo 频频刷屏。
然而，当我们剥离掉滤镜，从可复现性、可扩展性和真实世界适用性的角度冷静回看时，会发现一个尴尬的现实：模型虽然越来越强，但 Agent 在真实复杂环境下的可用性并没有同比例提升。这背后隐藏着一个结构性问题，它正在成为整个领域的“天花板”——数据。
一、从“能看见”到“能做对”：被低估的鸿沟
GUI Agent 目前的技术路线已经非常清晰：通过视觉感知（Vision）获取界面信息，结合语言模型（Language）与 DOM/AX Tree 理解结构，最后输出点击或输入等原子动作（Action）。这种 Vision-Language-Action（VLA）的范式几乎成为了共识。
但我们必须面对一个不太乐观的事实：VLM 能完美描述 UI，并不代表它能稳定、可复现地操作 UI。
真实世界的网页环境远比训练数据的理想环境恶劣。高密度的广告与弹窗、A/B 测试带来的动态变化、以及视觉位置与 DOM 层级的不一致性，直接导致了严重的空间幻觉（spatial hallucination）。模型往往“以为”自己点对了，但在像素级坐标或真实行为反馈上却是错的。
更致命的是数据来源的割裂。目前的学术界长期在两极摇摆：一端是 MiniWoB++、WebArena 这类合成环境或沙盒网站，它们可控但缺乏多样性；另一端是 Mind2Web 这类半真实离线数据，虽然来自真实网站，却往往是静态的快照。而真正具备规模效应的大厂私有数据，又是外界无法触碰的黑盒。
我们至今缺乏一个公开数据集，能够同时满足“真实网站”、“人类完整轨迹”和“足够规模”这三个条件。这不是偶然，因为真实网页交互数据的采集，本身就是一个极高成本的系统工程问题。
二、为什么“真实人类轨迹”无法被合成数据替代？
近年来，许多工作尝试利用 Agent 自动采集轨迹或通过反向任务合成来扩展数据。但这在 Web 场景中遇到了一堵“硬墙”：反爬虫机制、复杂的登录验证、支付流程以及个性化权限。而这些难以合成的场景，恰恰对应了电商下单、机票预订等最具价值的用户任务。如果训练数据永远绕开这些“硬骨头”，Agent 就永远学不会真正有用的能力。
此外，由于对“人类轨迹”的误解，很多人将其等同于简单的行为克隆（Behavior Cloning）。事实上，在 GUI Agent 的训练中，人类数据提供的远不止是操作步骤，而是三种关键的隐式先验：
三、WebChain：不仅是数据集，更是一种基础设施
正是在这样的背景下，我们决定构建并完全开源 WebChain。这并不是为了追求 SOTA 而产生的副产品，而是一次拥有明确价值取向的工程决策。
WebChain 的核心不再是单纯堆砌数量，而是追求Triple Alignment（三重对齐）。我们确保了每一条数据在视觉（像素级截图）、结构（HTML + Accessibility Tree）和行为（精确坐标与 Selector）上的严格对应。这意味着模型不仅仅是“看到了页面”，更是理解了为什么屏幕上的这一簇像素对应着这个具体的执行逻辑。
我们坚持采用了成本最高、效率最低的“全人类标注 + 真实网站”方案。虽然这看起来不够“性感”，但它带来了不可替代的红利：我们覆盖了大量登录态的高价值任务，并保证了每一步 Action 的真实可执行性。
当数据量级达到 3 万条真实轨迹、30 万级原子交互时，我们第一次在 GUI Agent 领域观察到了类似语言模型的 Scaling Law 现象——数据规模的量变开始引发长链任务成功率的质变。这标志着 GUI Agent 正从“Prompt Engineering 的技巧集合”迈向“可系统优化的学习问题”。
四、为什么一定要开源？
我们非常清楚，私有数据更容易刷榜，闭源 Pipeline 更容易保持学术优势。但如果 GUI Agent 这个方向继续建立在不可复现、不可对比的数据之上，只会重演 NLP 早期的混乱：结论无法验证，方法无法横向比较，社区无法形成真正的共识。
我们选择开源 WebChain，是希望让所有研究者能够在同一个现实复杂度基准上讨论问题。无论是系统设计、数据工程还是算法优化，都需要被拆解、复用和对比，这样才能真正推动 GUI Agent 从脆弱的 Demo 走向可靠的系统。
通往真正通用 Agent 的道路，不应被封锁在闭源数据的孤岛之中。要解决真实世界的无限复杂度，唯一的解法是让大规模真实数据成为社区的公共基础设施——打破高墙，共享现实，这才是开源社区存在的最大意义。