文章探讨了设计复杂复合人工智能系统的方法，强调通过任务组合管理复杂性。任务作为能力的基本构建块，清晰的输入和输出有助于系统的演化与理解。技术进步使得重新划分子任务边界能够提升性能，促进人机协作的有效性。总体而言，任务组合有助于构建更稳健、易于演变的系统。

LMA在基本任务上表现优于人类和强化学习代理，但在涉及任务组合的实际应用中，性能仍未得到充分探索。通过引入新的基准CompWoB，展示了LMA在组合任务上的表现下降。设计了新模型HTML-T5++，在MiniWoB上超过人类水平并在CompWoB上取得最佳零样本性能。然而，在改变组合顺序的不同指令组合下，性能进一步下降。与LMA的最新成功相反，基准和分析突出了构建稳健且可泛化的LMA的必要性。