在人工智能领域，一项名为WebShaper的创新成果近日引发了广泛关注。该项目由通义实验室推出，旨在解决信息检索（Information Seeking，IS）任务中的数据合成难题，并在GAIA评测中取得了开源方案的最高分——60.1分。
WebShaper作为WebAgent的续作，不仅补足了GAIA、Browsecomp等评测中高质量训练数据的缺失，还展示了通义实验室对IS任务认知的深化。从早期的启发式理解到如今的形式化定义，这一转变标志着实验室在AI智能体能力构建上的重大突破。
在WebShaper之前，主流的信息检索训练数据合成方法主要依赖“信息驱动”范式，即先通过网络检索构建知识图谱，再由大模型生成问答对。然而，这种方法存在知识结构与推理逻辑不一致、预检索内容局限导致任务类型覆盖有限等问题。WebShaper则开创性地提出了“形式化驱动”新范式，通过数学建模IS任务，并基于该形式化框架检索信息、合成训练数据。
形式化驱动的优势在于全域任务覆盖、精准结构控制和结构语义对齐。它突破了预检索数据的边界，实现了更广任务、能力和知识的数据生成；同时，通过形式化建模，可以精确调控推理复杂度与逻辑结构，减少数据合成中的错误。
WebShaper的形式化建模基于集合论，提出了“知识投影（Knowledge Projection）”的核心概念。每个IS任务都由知识投影的R-并集、交集、递归操作构成，旨在确定一个由知识投影组合而成的目标集合中包含的实体。这种形式化建模使得WebShaper不再依赖自然语言理解的歧义，而是提供了一个可控、可解释、可扩展的数据合成方案。
在数据合成过程中，WebShaper采用了智能体式扩展合成的方法。它从预先构建且形式化的基础种子任务开始，在形式化的驱动下，将种子问题多步扩展为最终的合成数据。这一过程由专用的代理扩展器（Expander）模块负责执行，通过关键过程（KP）表征来解释任务需求，并实现逐层扩展机制以最小化冗余和防止推理捷径。
为了构建种子任务，WebShaper下载了全部Wikipedia，并在词条中随机游走检索信息，合成基础的种子IS任务。在扩展过程中，它采用了逐层扩展结构，每次扩展都选择叶结点常量进行扩展，有效解决了冗余性和推理捷径的问题。WebShaper还通过搜索、网页摘要、验证等工具自动生成形式化任务，并进行答案验证和复杂度过滤，确保任务正确性和推理链条的严谨性。
基于形式化生成的高质量任务和完整的行为轨迹，WebShaper使用了监督微调（SFT）+ GRPO强化学习策略来训练Agent。最终，模型在GAIA基准任务中获得了60.1分的高分，超越了所有开源方案，并大幅领先第二名的开源方案。这一成绩不仅证明了WebShaper方法的有效性，也展示了开源模型在AI研究中的巨大潜力。
WebShaper的成功不仅在于其技术创新和优异表现，更在于其开源共享的理念。通义实验室相信，用最开放的方式推动最前沿的研究是AI发展的正路。如今，任何人都可以通过GitHub访问WebShaper的代码和数据集，尝试复现这一成果并推动AI技术的进一步发展。
