告别笨重的无头浏览器，阿里刚开源的 Page Agent 让网页直接听懂人话

我一直觉得，现在的各种自动化测试和 Web Agent 框架都被过度设计了，反而徒增内耗。

以前想在业务系统里搞个自动填表，或者弄个能听懂人话的网页机器人，大家的第一反应往往是：拉起一个 Python 服务，跑一个极其吃内存的 Puppeteer 无头浏览器，有的甚至还要实时截图喂给多模态大模型去做 OCR 识别。为了点个登录按钮，硬生生把架构搞成了巨无霸，部署和运维简直让人抓狂。

最近在看阿里开源的 Page Agent 这个项目，感觉它算是彻底把 Web 自动化这层窗户纸给捅破了。

这项目到底是个啥？

别被什么高级的 Agent 概念唬住。用大白话讲，它就是一个存活在你网页内部的纯前端 GUI 智能体（JavaScript in-page GUI agent）。

它的核心逻辑非常暴力且实用：不需要 Python，不需要无头浏览器，甚至不需要装什么浏览器插件（除非你需要跨标签页操作）。它就是一段直接跑在你当前网页里的 JavaScript 代码，能接收你的自然语言指令，然后自动去帮你点击、滚动、填写网页。

几个直击痛点的核心爽点

• 纯文本操作 DOM，抛弃花里胡哨的截图与 OCR 现在的多模态大模型虽然火，但 API 调用又慢又贵。Page Agent 非常务实，它直接通过文本的形式对页面的 DOM 树进行解析和操作。这意味着你不需要任何屏幕截图，也不需要多模态大模型的支持，更不需要向用户申请什么特殊的系统权限。随便接一个便宜的纯文本大模型就能让它跑得飞快。
• 极简的业务系统“AI 爆改” 这玩意儿简直是改造老旧 Admin 后台和复杂 CRM/ERP 系统的神器。你想在自己的 SaaS 产品里加一个 AI Copilot？根本不需要去动后端的代码。直接引入它的 NPM 包，加上几行配置，原本需要用户点 20 次鼠标的繁琐工作流，直接变成一句简单的人话指令。而且它还自带一个非常漂亮、支持人类介入审核（human-in-the-loop）的用户界面。
  

应用场景

• 对接答疑机器人： 把你的答疑助手变成全能Agent。客服机器人不再只说「请先点击设置按钮然后点击…」，而是直接帮用户现场操作。

• 交互升级/智能化改造： 一行代码，老应用变身Agent，产品专家帮用户操作复杂 B 端软件。降低人工支持成本，提高用户满意度。

• 产品教学： 向用户演示交互过程，边做边教。例如让AI演示「如何提交报销申请」的完整操作流程。

• 无障碍支持： 为视障用户、老年用户提供自然语言交互，对接屏幕阅读器或语音助理，让软件人人可用。

折腾与部署

作为一个纯正的前端方案，它的接入体验丝滑到了极点。

你可以直接通过 <script> 标签引入 CDN 来快速测试，或者在你的前端工程里通过 npm install page-agent 安装。

核心的调用代码干净得令人发指：

import { PageAgent } from 'page-agent'

// 初始化你的网页专属 Agent
const agent = new PageAgent({
model: 'qwen3.5-plus', // 兼容市面上的主流大模型
baseURL: 'https://dashscope.aliyuncs.com/compatible-mode/v1',
apiKey: 'YOUR_API_KEY',
language: 'zh-CN',
})

// 直接用人话下发指令，剩下的脏活累活它自己搞定
await agent.execute('找到账号输入框填入 admin，并点击登录按钮')

总结一下：如果你受够了维护那些极其脆弱的无头浏览器自动化脚本，或者正头疼该怎么用最低的成本给公司的 Web 产品加上“自然语言操控”的能力，Page Agent 提供了一条极其轻量且优雅的捷径。把繁琐的交互逻辑交给大模型去折腾，这才是真正的降本增效。

项目地址：https://github.com/alibaba/page-agent

演示地址：https://alibaba.github.io/page-agent