让网页听懂人话：阿里开源 Page Agent
Page Agent 是阿里开源的浏览器端 GUI Agent 库。几行 JavaScript 就能让网页支持自然语言操作，适合 SaaS Copilot、智能填表、后台系统引导和无障碍访问。
网页 AI 助手这件事，终于开始变得很轻。
过去想让 AI 操作网页，常见做法是浏览器自动化、截图识别、多模态模型、浏览器扩展，或者在后端改一整套流程。 Page Agent 的思路更直接：把一个 JavaScript GUI Agent 放进网页里，让用户用自然语言指挥当前页面。
它来自阿里巴巴开源项目 alibaba/page-agent，TypeScript 编写，MIT 协议，GitHub 已经 2 万多 Star 。项目定位很明确：给 Web 应用加一个“页面内 AI 操作层”。
它解决的是什么问题
很多 Web 产品功能不差，难用在操作路径太长。
CRM 里新增客户要点好几层；ERP 里提交报销要填一串字段；后台系统里找一个配置，要先知道菜单在哪；老人或视障用户面对复杂页面，连第一步点哪里都可能卡住。
Page Agent 想把这些点击路径压成一句话。比如：
帮我把今天的销售线索筛选出来，并导出表格
把这个客户的状态改成已跟进，备注写“明天下午回访”
帮我打开设置页，把通知邮件关掉
它会读取当前页面的 DOM，把网页结构压缩成文本交给模型分析，再通过元素索引去点击、输入、滚动。这个路线避开了截图识别，也不强依赖多模态大模型。
最小接入方式
最快的体验方式是 CDN 。官方 README 给了一个 Demo LLM 版本，适合技术评估：
<script src="https://cdn.jsdelivr.net/npm/page-agent@1.10.0/dist/iife/page-agent.demo.js" crossorigin="true"></script>
国内镜像：
<script src="https://registry.npmmirror.com/page-agent/1.10.0/files/dist/iife/page-agent.demo.js" crossorigin="true"></script>
如果想手动初始化，可以在 URL 后加：
?autoInit=false
生产环境建议走 NPM 包，自己接模型：
npm install page-agent
import { PageAgent } from 'page-agent'
const agent = new PageAgent({
model: 'qwen3.5-plus',
baseURL: 'https://dashscope.aliyuncs.com/compatible-mode/v1',
apiKey: 'YOUR_API_KEY',
language: 'zh-CN',
})
await agent.execute('点击登录按钮')
这里最关键的一点是：它支持自带 LLM 。你可以接 OpenAI 兼容接口，也可以接自己的模型服务，不必绑定某一家模型。
它和 browser-use 的差别
Page Agent README 里把边界讲得比较清楚：它的定位是客户端网页增强组件，服务端自动化不在它的主战场里。
browser-use 更像外部工具，适合让 Agent 控制浏览器完成自动化任务。 Page Agent 更像产品内能力，适合开发者把自然语言操作直接嵌进自己的网页。
这个差别很重要。它面向产品内体验改造，而非爬虫、批量注册或绕过平台限制。
典型场景有四类：
- SaaS AI Copilot：给现有产品加一个能操作页面的助手；
- 智能填表：把 20 次点击和输入变成一句话；
- 后台系统引导：让 AI 带用户完成报销、配置、查询；
- 无障碍访问：让语音指令、屏幕阅读器和复杂页面更容易配合。
Chrome 扩展和 MCP 能做什么
普通网页内接入，主要控制当前页面。
如果需要跨标签页或让外部 Agent 调浏览器，项目还提供 Chrome 扩展和 MCP Server 。 MCP Server 目前是 Beta，官方也提醒 API 可能变化，不适合直接放生产环境。
它的使用路径大致是：安装 Page Agent 扩展，在本地 Agent 客户端里配置 MCP Server，浏览器里批准 Hub 连接，然后外部 Agent 就能通过 execute_task 把自然语言浏览器任务发给扩展。
这对本地 Agent 很有想象力。比如让桌面助手去浏览器里查后台、填表、整理资料。只是这类能力要特别注意权限边界，能点页面也意味着可能误点删除、支付、提交和授权。
真正适合怎么用
我更看好它在企业后台和垂直 SaaS 里的应用。
一个客户管理系统，无须把所有流程重做成 AI 原生产品。先在现有页面上加一个 Page Agent，让用户说“帮我筛出本周未跟进客户”，AI 自动找筛选项、填条件、点查询，这就已经能省很多培训成本。
一个内部系统，也可以把新人培训做成“边操作边演示”。用户问“报销怎么提交”，AI 不只回答步骤，还能在页面上带着点一遍。
一个面向老人或低视力用户的服务系统，可以把复杂按钮变成语音命令。对这类用户来说，自然语言入口的价值很具体：门槛下降。
使用时要留几条边界
第一，别把它拿去绕过验证码、风控、抢票、秒杀或平台限制。那类场景风险很高，偏离了这个项目的产品增强定位。
第二，涉及支付、删除、提交订单、授权、发消息这类动作，最好加人工确认。 AI 可以帮忙导航和填写，最终确认应该留给用户。
第三，企业内部使用时，要做操作白名单、敏感字段脱敏和日志记录。官方文档也提到可控性、安全和数据保护，这类能力比“成功点到按钮”更重要。
第四，Demo CDN 只适合评估。真正上线要用自己的模型配置、隐私策略和访问控制。
适合谁现在试
如果你做的是管理后台、 CRM 、 ERP 、低代码平台、数据看板、客服系统、教育平台、内部工具，Page Agent 值得拉下来试一下。
它的现实价值，是在旧页面上加一个自然语言操作层。对很多已经很复杂的 Web 系统来说，这条路比全量改版现实得多。
先从一个小流程试：登录后查数据、筛选客户、创建工单、填写表单、切换配置。只要能把一条重复路径从十几次点击变成一句话，价值就能看见。
源地址：