近期发表在 arXiv 上的一篇论文（编号 2606.15017，cs.CL 分类，提交于 2026 年 6 月 12 日）对在线网页智能体（web agent）中常见的记忆、工作流与技能模块提出了一个颇为尖锐的问题：这些模块带来的性能提升，是否真的值得它们所消耗的 token？该论文由 Sina Hajimiri 与另外六位作者共同完成，核心观点是：在固定总推理预算的前提下，这些增强模块的“表面收益”往往会消失殆尽。
研究背景在于，在线网页智能体通常会在基础执行器（base actor）之上叠加记忆、工作流或技能模块，以提升任务完成能力。然而，这些模块并非免费——它们在测试阶段会持续消耗 token，而这部分开销在以往的研究中很少与执行器本身的推理成本一并报告。论文特别关注“在线增强”这一设定，即这种额外开销会在每一个任务上重复付出，而非一次性投入。作者因此重新审视：在固定总推理预算下，这些增强手段是否仍然划算。
实验设计上，研究者将三种增强方法 AWM、ASI 与 ReasoningBank 与一个“token 匹配”的朴素基线进行对比。这个基线的做法是把同等预算用于让执行器多执行若干步骤，而不是用于调用记忆或技能模块。也就是说，两者在 token 总量上被拉到同一水平，从而可以公平比较“把预算花在增强模块上”与“把预算花在执行器本身”哪一种更有效。
实验覆盖三个 WebArena 领域与三个模型，分别是 Gemini 3 Flash、GPT-5.4-mini 和 Qwen 3.6-27B。结果显示，在聚合成功率上，朴素基线达到或超过了全部三种增强方法，而且往往消耗的总 token 更少。作者还在 WorkArena-L1 上使用 Qwen 3.6-27B 进行了验证，观察到类似趋势，说明这一效应可以延伸到企业级知识工作任务场景中。
论文的结论较为审慎：技能与工作流记忆在特定领域可能确实有用，但当与预算匹配的执行器对比时，它们的表面增益常常不复存在。换句话说，部分增强模块的优势可能只是来自“多花了 token”，而非模块本身带来了更聪明的能力。
此外，作者还强调了一个容易被忽视的评估问题：运行之间的方差（run-to-run variance）会实质性影响结果，因此应当作为在线网页智能体的核心评估标准予以报告。这一提醒对后续研究具有方法论意义，意味着单次运行的对比可能高估或低估某些方法的真实表现。论文的 DOI 为 10.48550/arXiv.2606.15017，全文可通过 arXiv 的 PDF 与 HTML 版本获取。