alibaba/page-agent

JavaScript in-page GUI agent. Control web interfaces with natural language.

解决的问题

Page Agent 提供了一种使用单个脚本将 AI 代理直接嵌入到网页中的方法。它消除了为简单的页面内交互而需要复杂的服务器端自动化、无头浏览器或浏览器扩展程序的必要性，允许开发人员将网页转换为交互式 AI 驱动的界面。

工作原理

与许多依赖屏幕截图和多模态 LLM 的 Web 代理不同，Page Agent 使用基于文本的 DOM 操作。它作为页面内 JavaScript 运行，根据自然语言命令在网页上执行操作。它与大多数主流 LLM（包括本地部署的模型）兼容，并可以通过可选的 Chrome 扩展程序进行扩展，以处理跨多个页面的任务。

适用对象

  • SaaS 开发人员：希望在不重写后端的情况下为其产品添加 AI 助手（copilot）。
  • ERP、CRM 和管理系统的管理员：希望实现复杂的多点击工作流（例如智能表单填写）自动化。
  • 无障碍专家：旨在通过自然语言和语音命令提高 Web 应用的可访问性。
  • 开发人员：正在构建需要通过 MCP 服务器控制浏览器的基于浏览器的代理。