page-agent：一种客户端 GUI 代理，通过基于文本的 DOM 操作实现对网页界面的自然语言控制

它解决了什么问题

Page Agent 提供了一种将 AI 副驾驶直接集成到网页中的方式，使用户能够使用自然语言控制网页界面。它消除了为基本页面内自动化而进行复杂后端重写、浏览器扩展或无头浏览器的需求，从而更容易为 SaaS 产品、ERP 系统和辅助工具构建 AI 驱动的用户界面。

工作原理

与许多依赖截图和多模态 LLM 的网页代理不同，Page Agent 使用基于文本的 DOM 操作。它作为一个直接集成到网页中的 JavaScript 库运行，能够与页面上的元素交互。用户可以通过 API 自行提供 LLM，代理会将自然语言翻译为对 DOM 的操作，例如通过“点击登录按钮”来执行相应的动作。

适用人群

• SaaS 开发者：希望以最少代码为产品添加 AI 副驾驶的开发者。
• 企业软件用户：使用复杂的管理系统、CRM 或 ERP 软件，希望将多次点击的工作流简化为一句话的用户。
• 可访问性专家：开发通过语音指令或屏幕阅读器使网页应用更易访问的工具的开发者。
• 网页代理开发者：构建可跨浏览器标签页扩展的多页代理，并可选使用 Chrome 扩展的开发者。

亮点

• 客户端集成：通过简单的 script 标签或 NPM 包使用，无需无头浏览器或 Python 环境。
• 基于文本的交互：在 DOM 上操作，而不是依赖视觉截图。
• LLM 无关：支持自带的 LLM 提供商。
• 扩展功能：提供可选的 Chrome 扩展用于多页任务，以及用于外部控制的 MCP Server（Beta）。

摘要

一个 JavaScript 库，通过基于文本的 DOM 操作实现对网页界面的自然语言控制，使开发者能够将 AI 副驾驶直接嵌入网页中。

标题

page-agent：一种客户端 GUI 代理，通过基于文本的 DOM 操作实现对网页界面的自然语言控制