alibaba/page-agent

它解决了什么问题

Page Agent 提供了一种通过单个脚本将 AI 智能体直接嵌入到网页中的方法。它消除了对无头浏览器、Python 后端或强制性浏览器扩展等复杂设置的需求，从而实现简单的页面内自动化，允许开发者快速为他们的网站添加 AI 驱动的交互能力。

工作原理

与许多依赖截图和多模态 LLM 的 Web 智能体不同，Page Agent 使用基于文本的 DOM 操作。它作为页面内的 JavaScript 运行，通过与页面结构交互来执行命令。它与大多数主流 LLM 兼容，包括本地部署的模型，并且可以通过可选的 Chrome 扩展程序处理跨多个页面的任务，或通过 MCP 服务器进行外部控制。

适用人群

• SaaS 开发者：希望在不重写后端的情况下，在其产品中发布 AI copilot 的人。
• 企业用户：使用 ERP、CRM 或管理系统，并希望通过自然语言自动化重复、多点击工作流的人。
• 无障碍专家：希望通过语音命令和自然语言使 Web 应用具备无障碍能力的人。
• Web 自动化工程师：需要可以通过 MCP 进行外部控制的客户端智能体的人。

亮点

• 易于集成：可以通过单个 script 标签或 NPM 包添加到页面中。
• 基于文本的控制：基于 DOM 而非图像进行操作，从而无需多模态模型。
• 自带 LLM (B.Y.O. LLM)：支持各种主流和本地 LLM。
• 客户端执行：一切都在网页内发生，从而避免了对服务端自动化工具的需求。