page-agent: 一個可在網頁內進行自然語言互動與自動化的用戶端 GUI agent

它解決了什麼問題

Page Agent 讓開發者能夠輕鬆地將 AI agent 直接加入到網頁中，而不需要重新編寫後端、使用無頭瀏覽器（headless browsers）或複雜的 Python 設定。它簡化了建立 AI copilots、自動化重複性的表單填寫任務，以及透過自然語言指令來提升網頁無障礙性的過程。

運作原理

它以 JavaScript 函式庫的形式運作，完全在網頁內執行。它不依賴螢幕截圖或多模態 LLM，而是使用基於文本的 DOM 操作來與頁面進行互動。使用者可以透過單一 script tag 或 NPM package 進行整合，並透過 API 將其連接到偏好的 LLM（包括本地模型）。

目標對象

它是為想要將 AI 驅動的助手功能發布到其 SaaS 產品中的網頁開發者、尋求自動化 ERP 或 CRM 工作流程的管理員，以及專注於提升網頁應用程式無障礙性的開發者而設計的。

重點功能

• 零基礎設施設定：透過頁內 JavaScript 運作，不需要瀏覽器擴充功能或 Python。
• 基於文本的互動：直接操作 DOM，消除了對多模態模型或特殊權限的需求。
• LLM 無關性：相容於大多數主流及本地部署的 LLM。
• 擴展能力：提供可選的 Chrome extension 以處理跨頁面任務，並提供 MCP Server 以進行外部控制。