Page Agent

在 AI 智能体（Agent）爆发的今天，大多数 GUI 操作方案仍依赖复杂的后端服务、无头浏览器（Headless Browser）或沉重的浏览器插件。

Page Agent 是由阿里巴巴开源的一款纯 JavaScript 实现的 GUI Agent，它无需任何后端支持、无需安装客户端、甚至无需浏览器插件，仅通过一行代码即可将任意网页升级为“AI 原生应用”。

核心理念：基于文本的 DOM 操作，轻量且隐私安全

Page Agent 的技术路径独具匠心。它不依赖多模态大模型去“看”屏幕截图，而是直接利用 LLM 理解网页的文本化 DOM 结构。

• 零视觉依赖：无需截图，无需昂贵的视觉模型，大幅降低推理成本。
• 零权限负担：不需要特殊的系统权限，所有逻辑均在浏览器沙箱内运行。
• 人机协同：坚持“人在回路”（Human-in-the-loop），AI 在执行关键操作前会弹出确认框，确保安全可控。

核心功能亮点

1. 🎯 极致轻量，无缝集成
   完全基于页面内 JavaScript 运行。对于 SaaS 厂商而言，只需嵌入几行代码，即可为现有的 ERP、CRM 或管理后台赋予 AI 操作能力，无需重写后端逻辑。
2. 📖 自然语言驱动复杂操作
   将繁琐的鼠标点击转化为自然语言指令。
   • 场景：在复杂的 ERP 系统中填写表单。
   • 传统：需要 20 次点击和多次跳转。
   • Page Agent：用户只需说“帮我录入这条采购订单”，AI 即可自动定位字段、填充数据并提交。
3. 🧠 模型无关，灵活部署
   支持接入用户自己的 LLM（如通义千问、GPT-4 等），数据完全可控。同时也提供免费的 Demo LLM 供快速体验。
4. 🐙 跨页面任务扩展
   虽然核心是纯前端 JS，但项目还提供了可选的 Chrome 扩展。安装后，Agent 可突破单页面限制，在多个标签页之间连续执行复杂任务（如：从 Gmail 读取发票信息 -> 跳转到财务系统录入）。
5. ♿ 无障碍增强
   为视障人士或老年用户提供天然的无障碍支持。通过语音指令或屏幕阅读器，即可用自然语言操控任何网页，真正实现“零门槛”上网。

快速开始：一行代码变身 AI 应用

方式一：CDN 快速体验（无需安装）

直接在 HTML 文件中引入脚本，即可使用内置的免费测试模型体验（仅限技术评估）：

<!-- 全球节点 -->
<script src="https://cdn.jsdelivr.net/npm/page-agent@1.5.11/dist/iife/page-agent.demo.js" crossorigin="true"></script>

<!-- 国内节点 -->
<script src="https://registry.npmmirror.com/page-agent/1.5.11/files/dist/iife/page-agent.demo.js" crossorigin="true"></script>

方式二：NPM 正式集成（生产环境推荐）

开发者可安装 npm 包，并配置自己的 LLM API Key：

npm install page-agent

import { PageAgent } from 'page-agent';

const agent = new PageAgent({
    model: 'qwen3.5-plus', // 支持多种模型
    baseURL: 'https://dashscope.aliyuncs.com/compatible-mode/v1',
    apiKey: 'YOUR_API_KEY',
    language: 'zh-CN',
});

// 执行指令
await agent.execute('点击登录按钮并输入用户名 admin');

应用场景展望

• SaaS 厂商：低成本为产品添加“AI 副驾驶”，提升用户留存与付费意愿。
• 企业办公：自动化处理财务报销、HR 入职、库存管理等高频重复流程。
• 个人效率：自动抓取多网站数据、批量填写报名表、跨平台信息同步。
• 无障碍辅助：让行动不便或视力障碍群体也能平等地享受互联网服务。