page-agent: ウェブページ内での自然言語による対話と自動化を可能にするクライアントサイドGUIエージェント

解決する課題

Page Agentを使用すると、開発者はバックエンドの書き換え、ヘッドレスブラウザ、または複雑なPython環境の構築を必要とせずに、AIエージェントをウェブページに直接簡単に追加できます。AIコパイロットの作成、繰り返しの多いフォーム入力タスクの自動化、および自然言語コマンドによるウェブアクセシビリティの向上を簡素化します。

仕組み

ウェブページ内で完全に動作するJavaScriptライブラリとして機能します。スクリーンショットやマルチモーダルLLMに依存する代わりに、テキストベースのDOM操作を使用してページと対話します。ユーザーは、単一のscriptタグまたはNPMパッケージを介して統合し、APIを通じて好みのLLM（ローカルモデルを含む）に接続できます。

対象ユーザー

SaaS製品にAI搭載アシスタントを導入したいウェブ開発者、ERPやCRMのワークフローを自動化したい管理者、およびウェブアプリケーションのアクセシビリティ向上に注力している開発者向けに設計されています。

ハイライト

• Zero-Infrastructure Setup: ブラウザ拡張機能やPythonを必要とせず、ページ内のJavaScriptを介して動作します。
• Text-Based Interaction: DOMを直接操作するため、マルチモーダルモデルや特別な権限を必要としません。
• LLM Agnostic: ほとんどの主流およびローカルにデプロイされたLLMと互換性があります。
• Extended Capabilities: 複数ページにわたるタスクのためのオプションのChrome拡張機能、および外部制御のためのMCP Serverを提供します。