Page Agent - 阿里开源 JavaScript GUI 智能体库

Page Agent是什么

Page Agent 是阿里巴巴开源的纯前端 JavaScript 智能体库，通过一行代码嵌入网页，可让用户用自然语言操控页面 DOM 元素。客户端库采用DOM 脱水技术将复杂页面压缩为精简文本树，支持任何 OpenAI 兼容模型，无需后端、截图或浏览器扩展，即可实现点击、填表、滚动等交互，适合为自有 Web 应用快速添加 AI 副驾驶功能。

Page Agent的主要功能

• 自然语言操控页面：用户输入点击登录按钮、填写表单等指令，AI 自动定位并执行 DOM 操作
• DOM 脱水压缩：将复杂页面结构压缩为 FlatDomTree 文本树，仅提取交互元素，降低模型输入成本
• 模型无关架构：支持任何 OpenAI 兼容端点（如通义千问、GPT 等），只需配置 baseURL 和 API Key
• 内置安全控制：支持操作白名单、敏感字段数据脱敏、关键操作人工确认，以及自定义领域知识注入
• 单页交互闭环：在单个页面内完成点击、输入、滚动等操作，无需后端服务或浏览器扩展

Page Agent的技术原理

• DOM 脱水（DOM Dehydration）：扫描页面 DOM，为每个交互元素分配索引、角色和标签，剥离冗余标记，生成紧凑文本表示供模型理解。
• PageController 架构：核心控制器负责更新 DOM 树、执行元素点击、文本输入、页面滚动等原子操作。
• Monorepo 分包设计：@page-agent/core 负责无头智能体逻辑，page-agent 提供完整 UI 面板，@page-agent/page-controller 处理 DOM 提取与索引。
• 客户端沙箱运行：直接运行在用户浏览器会话中，继承 Cookie、Session 和认证状态，无需额外后端。

微信关注回复“开源”，加入AI开源项目交流群

如何使用Page Agent

• 快速体验：在网页中插入一行 <script> 标签引入 Page Agent 的 IIFE 演示脚本，即可在页面上激活 AI 操控面板。
• 安装依赖：生产环境通过 npm install page-agent 安装依赖包，将其引入到你的前端项目中。
• 创建实例：用 new PageAgent() 创建实例，配置 model、baseURL、apiKey 等参数指向你的 OpenAI 兼容模型端点。
• 执行指令：调用 agent.execute('你的自然语言指令') 让 AI 解析指令并自动在页面 DOM 中定位元素、执行点击或输入等操作。
• 安全配置：可选配置操作白名单、数据脱敏规则和关键操作确认，确保 AI 行为符合安全与业务要求。

Page Agent的核心优势

• 零后端改造：嵌入一行脚本即可，无需重写后端或分发浏览器扩展。
• 低成本运行：仅传输文本 DOM 结构，无需多模态视觉模型，显著降低 Token 消耗。
• 原生安全继承：页面原有的 UI 校验、权限规则继续生效，敏感数据可脱敏。
• 模型无关：支持任何 OpenAI 兼容端点，切换模型仅需改 baseURL。
• MIT 开源：TypeScript 编写，代码完全开放，可自由定制。

Page Agent的项目地址

• 项目官网：https://alibaba.github.io/page-agent/
• GitHub仓库：https://github.com/alibaba/page-agent

Page Agent的同类竞品对比

维度Page AgentPlaywright运行位置页面内部（客户端 JavaScript）外部进程（Node.js/Python/.NET）页面读取脱水文本 DOM（FlatDomTree）CDP 协议直接访问浏览器 DOM交互方式自然语言指令驱动代码脚本精确控制模型依赖需 LLM 解析指令无需 AI 模型，纯规则执行部署方式嵌入一行 <script> 或 npm 安装安装浏览器驱动 + 运行时环境认证状态自动继承用户浏览器 Cookie/Session需手动配置上下文或登录流程视觉能力无，纯文本 DOM支持截图、视觉比对、录屏跨页能力单页为主，跨标签需 Chrome 扩展原生支持多标签、多窗口、多浏览器适用场景为已有 Web 应用添加 AI 副驾驶端到端自动化测试、跨站爬虫学习成本低，用户自然语言即可中，需编写选择器和脚本

Page Agent的应用场景

• SaaS 产品 AI 副驾驶：在自家产品中嵌入助手，直接帮用户执行操作而非仅给出文字指引。
• 智能表单填写：将多步 ERP/CRM 表单压缩为一句指令，如”提交昨天午餐 50 元差旅报销”。
• 无障碍访问：结合 Web Speech API 实现语音控制网页，提升视障用户操作体验。
• 遗留系统现代化：为无 API 的旧系统添加自然语言命令栏，无需改动原始代码。