Page Agent

什么是Page Agent？

Page Agent（PageAgent.js）是一个纯JavaScript网页内GUI Agent，由阿里巴巴开源（MIT协议）。它能直接嵌入任何网页，让用户通过自然语言控制页面操作。无需浏览器扩展、无需Python后端、无需无头浏览器、无需截图OCR，一切都在当前网页内完成。

一行代码即可集成，把普通网站变成AI原生应用。用户输入“帮我填写这个表单”或“点击登录并跳转到订单页”，Agent就能自主执行。

Page Agent 网站截图

核心亮点

• 极简集成：一个<script>标签或npm包即可嵌入，零基础设施。
• 纯DOM操作：直接读取页面结构化文本（非视觉模型），准确率高、速度快、Token消耗低。
• BYO LLM：支持自带任意大模型（OpenAI、Claude、Gemini、本地模型等），灵活性强。
• 真实网页交互：点击、输入、滚动、导航等多步复杂操作，支持多页面任务（配合可选Chrome扩展）。
• 隐私优先：所有操作在当前页面内完成，数据不离开用户浏览器。
• 轻量高效：Bundle体积小，适合生产环境集成。

适用场景

• SaaS产品：为用户提供自然语言操作 copilots，简化复杂工作流。
• 企业内部系统：让ERP、CRM、OA等遗留系统支持语音或文字指令操作。
• 无障碍访问：帮助残障用户通过自然语言使用网页。
• 自动化测试与演示：快速生成操作流程。
• 个人生产力：在任意网站快速完成重复性操作。
• AI Agent开发：作为前端执行引擎，构建更强大的网页Agent。

如何快速上手

1. 访问官网 体验在线Demo。
2. 通过npm安装或直接引入CDN脚本。
3. 初始化Agent并传入你的LLM API配置。
4. 在页面任意位置添加操作入口，用户输入自然语言指令即可运行。
5. 可选安装Chrome扩展，解锁跨页面和浏览器级任务。

整个集成过程通常只需几分钟，文档详尽，支持TypeScript。

用户与社区反馈

项目上线后迅速获得关注，GitHub星数快速增长。开发者反馈：“集成太简单了，真正做到了开箱即用”“比传统自动化方案轻量太多”“自然语言控制网页的体验很丝滑”。适合前端开发者、产品团队和AI应用构建者。

总结

Page Agent 是阿里开源的又一力作，它把AI Agent从云端/后端拉到了网页前端，让自然语言控制网页变得前所未有的简单。一行代码就能为网站注入AI灵魂，极大降低了AI自动化门槛。