Page Agent

Page Agent是什么？

Page Agent 是由阿里巴巴开源的一款「网页内 GUI 智能体（GUI Agent）」框架。它的核心理念是“让 AI 直接住进网页里”，用户或开发者只需通过一行代码或简单的配置，即可让任何网页具备自然语言交互能力，从而通过自然语言指令控制网页界面元素（如点击、输入、导航等）。

Page Agent 的主要功能

1. 纯前端 DOM 操作：无需截图、OCR 或多模态大模型，它直接通过解析网页的 DOM 结构来理解页面并执行操作，大幅降低了 Token 消耗和执行延迟。
2. 多模型支持：兼容 OpenAI API 格式的模型（如通义千问、GPT、DeepSeek、Claude 等），同时支持接入 Ollama 等本地部署的模型，保障数据隐私。
3. 零后端部署：无需 Python 环境、无头浏览器或复杂的后端服务，通过 CDN 或 NPM 包即可快速集成到现有前端项目中。
4. 安全与人机协同：内置 Human-in-the-Loop（HITL）人工审批 UI，在执行高风险操作前可弹出确认框；支持操作黑白名单、数据脱敏以及自定义业务知识注入。
5. 跨页面与外部控制（可选）：核心库仅支持单页面操作，但官方提供了可选的 Chrome 扩展以实现跨标签页任务，并提供 Beta 版的 MCP Server 供外部 AI Agent 控制浏览器。

Page Agent 的使用场景

1. SaaS 产品 AI Copilot：在 ERP、CRM 等企业管理后台嵌入 AI 助手，用户可用自然语言完成复杂查询、表单填写等操作，无需记忆繁琐的点击路径。
2. 老旧系统智能化改造：无需重构前端架构或后端逻辑，仅需在前端加一行 JS，即可让交互老旧、操作复杂的传统后台系统秒变 AI 原生应用。
3. 无障碍访问增强：为视障用户、老年用户或操作不便的人群提供自然语言或语音驱动的交互界面，实现“零门槛”操作网页应用。
4. 内部工具自动化：为团队内部的运营、审核等重复性 Web 操作工作流提供自动化脚本的快速开发能力，提升内部流转效率。

Page Agent 的项目地址

• GitHub 仓库：https://github.com/alibaba/page-agent
• 官方体验与文档：https://alibaba.github.io/page-agent/

如何使用Page Agent？

Page Agent 提供了多种接入方式，满足不同阶段的需求：

1. 零代码快速体验（书签栏拖拽）：
   访问官方体验页面，将页面上的蓝色 JavaScript 按钮直接拖拽到浏览器的收藏夹（书签栏）。在任意网页中点击该书签，即可唤出 AI 对话框，输入自然语言指令进行操作。
2. CDN 脚本引入（适合快速测试）：
   在网页的 HTML 中直接引入一行 <script> 标签（如使用阿里提供的免费测试 LLM API 的 Demo 脚本），页面右下角即会出现 AI 对话框，无需安装任何依赖。
3. NPM 编程接入（适合生产环境）：
   • 安装依赖：npm install page-agent
   • 在项目中引入并初始化：配置自定义的大模型 API Key、Base URL 及模型名称等参数。
   • 执行指令：调用 await agent.execute('自然语言指令') 即可让 AI 自动执行页面操作。

同类产品对比

简而言之，如果你的需求是“给自有产品加一个 AI 助手，让用户用自然语言操作页面”，Page Agent 是最优选择；如果需要“服务器端大规模自动化测试、跨网站爬取或处理复杂的视觉识别”，则更适合 Playwright 或 browser-use 等工具。