PageAgent网页GUI智能体

PageAgent 是一个由阿里巴巴开源的前端JavaScript库，它的核心理念是创建一个“生活在你的网页里的图形用户界面（GUI）智能体”。简单来说，开发者只需通过一行代码或一个NPM包，就能为任何网页注入一个能够直接通过自然语言指令操控界面的AI助手。

核心技术：纯前端运行，颠覆传统自动化

PageAgent的技术创新在于其完全不同的架构路径：

• 纯前端，零基建：与传统的网页自动化工具（如Playwright、Selenium）不同，PageAgent无需后端服务、无需截图、无需无头浏览器。它完全在用户的浏览器内部运行，作为一个JavaScript库直接与网页的DOM进行文本化交互。

• 文本化DOM操作：它不依赖视觉识别（OCR）或多模态大模型，而是通过解析文本化的DOM结构来理解页面并执行操作，这不仅提高了效率，也降低了对特殊权限的需求。

• 自带大语言模型（BYO LLM）：PageAgent采用模型无关的架构，允许开发者自带或选择任何兼容的LLM（如OpenAI、Claude、DeepSeek、千问或本地运行的Ollama模型）来驱动智能体的决策能力。

主要特点与功能

1. 极简集成：

   • Script标签：通过CDN引入脚本，即可为任何页面快速增加AI能力，甚至提供了一个免费的测试LLM接口供技术评估。

   • NPM包：为现代前端项目（如React、Vue）提供模块化导入和完整的TypeScript支持，便于正式集成。

2. 人机协同（Human-in-the-Loop）：Agent在执行过程中会展示思考过程，遇到歧义或需要确认的操作（如提交表单）时会主动暂停，向用户请求澄清或确认，增强了复杂任务的可靠性和可控性。

3. 美观的UI与实时反馈：项目内置了直观的操作界面，能实时显示Agent的思考、执行步骤和状态，让用户清楚地了解当前进展。

4. 跨页面能力（可选扩展）：虽然PageAgent本身完美适配单页应用（SPA），但它还提供了一个可选的Chrome扩展。在用户显式授权后，Agent可以利用此扩展控制多个标签页，执行更复杂的跨页面工作流（如从A网站获取信息后自动填入B网站），且天然继承用户的登录态，无需处理Cookie或密码。

应用场景

PageAgent为Web应用带来了全新的交互可能性，典型的应用场景包括：

• SaaS产品的AI Copilot：在复杂的企业级SaaS（如ERP、CRM）中内嵌一个AI助手，让用户通过自然语言完成20步的点击流程。

• 智能表单填写：帮助用户自动填充复杂的报销单、采购订单等。

• 自动化测试：开发者可以利用它编写更接近用户行为的测试用例。

• 无障碍辅助：为有操作障碍的用户提供语音或文本指令控制网页的能力。

项目状态与资源

• 开源协议：采用非常开放的 MIT 许可证。

• 社区活跃度：项目在GitHub上处于高度活跃的开发状态，截至2026年3月，已获得9.4k星标，最新版本为1.5.1，拥有超过600次提交。

• 官方资源：您可以访问其GitHub仓库（https://github.com/alibaba/page-agent）获取源码、阅读文档或参与贡献。其官方网站（https://alibaba.github.io/page-agent/）则提供更详细的介绍和在线Demo体验。

希望以上信息能帮助您全面了解PageAgent。如果您想了解它在特定技术栈（如React或Vue）中的集成示例，我可以为您进一步查找相关资料。