Page-Agent

Page-Agent 是阿里巴巴（Alibaba）开源的一个前端 AI 代理（Agent）框架，旨在通过自然语言指令操控网页 UI，实现“说人话”就能操作网页的效果。它本质上是一个纯前端的实验性 GUI Agent 库，支持将大型语言模型（LLM）与网页前端逻辑深度融合，主要用于构建网页智能助手、自动化脚本生成、无障碍访问优化以及 SaaS 产品的 AI 副驾功能。

• Page-Agent官网入口网址：https://alibaba.github.io/page-agent/
• Page-Agent开源项目地址：https://github.com/alibaba/page-agent

Page-Agent 定义为“基于 JavaScript 的页面内图形用户界面代理”。它的出现是为了打破传统网页自动化工具（如 Selenium 或 Puppeteer）需要编写大量代码和脚本的限制。Page-Agent 通过将 LLM 的自然语言理解能力直接嵌入网页前端，让普通用户或开发者只需输入一句话指令，Agent 就能自动识别并操作网页元素（如点击按钮、填写表单、切换页面等）。这种方式不仅降低了自动化测试和网页交互的门槛，也为复杂的后台系统（如 ERP、CRM）提供了更自然的人机交互方式。

核心特性与功能

• 自然语言操作：用户无需了解 HTML DOM 结构，只需用自然语言描述操作意图，Agent 会自动解析并执行指令。
• 轻量化集成：Page-Agent 是一个前端库，体积小巧。用户只需要在网页中引入一行 JavaScript 代码即可集成，无需部署后端服务或安装浏览器插件。
• 多模型兼容：它兼容 OpenAI API 规范，支持接入 OpenAI、通义千问等多种 LLM 模型。开发者还可以自定义 LLM 接口，实现模型的自由切换。
• 交互式界面：内置交互式聊天窗口（Chat UI），用户可以实时查看指令执行的思考过程（Chain-of-Thought），并在需要时进行干预或修改。
• 浏览器扩展支持：虽然核心是纯前端库，但它也提供了一个 Chrome 扩展（PageAgentExt），允许 Agent 控制用户的整个浏览器（跨页面操作），但需要用户显式授权。

典型应用场景

Page-Agent 的应用场景非常广泛，特别适合那些需要大量重复性网页操作的业务场景：

• SaaS 产品 AI 副驾：如在电商后台（京东后台、阿里巴巴后台）中，用户可以直接说“帮我把本周的订单导出成 Excel”，Agent 会自动在后台完成操作。
• 复杂表单自动化：在金融或政府网站上填写长表单时，用户只需上传文档或提供信息，Agent 会自动识别并填充所有表单字段。
• 客服系统：结合知识库，为用户提供基于网页内容的即时响应和操作建议。
• 无障碍访问：为视力障碍用户提供语音控制网页的能力，让网页操作变得更加友好。

Page-Agent 是阿里巴巴在前端 AI 领域的一项创新，它将大型语言模型的能力直接带到了用户的浏览器里。通过它，网页不再是冷冰冰的代码，而是拥有了“智能大脑”，能够理解用户意图并主动执行任务。这不仅是网页自动化技术的升级，也是人机交互方式的一次重大变革。