项目简介
Page Agent 是阿里巴巴开源的一个运行在网页内部的 JavaScript GUI 智能体。只需一行脚本，就能让任意网页拥有自己的 AI 代理，用自然语言直接控制 Web 界面——点击按钮、填写表单、跳转页面，全部交给 AI 完成。项目当前已收获约 2.6 万 Star，采用 MIT 协议，主要使用 TypeScript 编写，运行时以纯前端 JavaScript 注入。
“The GUI Agent Living in Your Webpage. One script gives any web page its own AI agent.”
安装要求和过程
环境要求
- 任意支持
<script> 标签或 npm 的网页环境即可；
- 无需浏览器扩展、Python 或无头浏览器，纯前端运行；
- 如需自托管大模型，需一个可访问的模型 API（如通义千问 Qwen、本地模型等）；
- 使用 npm 安装 / 二次构建时需要 Node.js 环境。
快速安装（三种方式）
方式一：CDN 一行接入
<script
src="https://cdn.jsdelivr.net/npm/page-agent@1.12.1/dist/iife/page-agent.demo.js"
crossorigin="anonymous"
></script>
国内镜像：https://registry.npmmirror.com/page-agent/1.12.1/files/dist/iife/page-agent.demo.js
方式二：NPM 安装
npm install page-agent
import { PageAgent } from 'page-agent'
const agent = new PageAgent({
model: 'qwen3.5-plus',
baseURL: 'https://dashscope.aliyuncs.com/compatible-mode/v1',
apiKey: 'YOUR_API_KEY',
language: 'en-US',
})
await agent.execute('Click the login button')
方式三：Chrome 扩展 —— 从 Chrome 网上应用店安装 Page Agent 扩展，用于跨多标签页的多页面任务。
核心功能
- 🎯 极简集成：纯页面内 JavaScript，不需要浏览器扩展、Python 或无头浏览器，几行代码即可嵌入。
- 📖 基于文本的 DOM 操作：无需截图、不依赖多模态大模型或特殊权限，通过结构化 DOM 文本理解页面并执行操作。
- 🧠 自带 LLM（BYO）：支持绝大多数主流模型（含本地部署），模型选择完全自由。
- 🐙 可选 Chrome 扩展：支持跨标签页的多页面任务编排。
- 🔌 MCP Server（Beta）：允许外部 Agent 客户端（如 Claude Code / Cursor）从外部控制你的浏览器。
典型使用场景
- SaaS AI Copilot：几行代码为自家产品嵌入 AI 助手，无需重写后端，立刻获得“对话式操作界面”能力。
- 智能表单填充：把原本需要 20 步点击的流程压缩成一句话，特别适合 ERP / CRM / 后台管理系统等高频重复操作。
- 无障碍访问：通过自然语言让任何 Web 应用变得可操作，配合语音 / 读屏为行动不便的用户打开大门。
- 多页面自动化 / MCP 控制：借助 Chrome 扩展或 MCP Server，让 AI 跨页面完成复杂工作流（如比价、数据搬运）。
推荐理由
我第一次看到 Page Agent 时最直接的感受是：它把“浏览器自动化”这件事做得太轻了。传统方案（如 Playwright / Puppeteer 脚本、或无头浏览器方案）要么要写一堆选择器、要么要吃截图走多模态，门槛和成本都不低。Page Agent 反其道而行——它就活在页面里，用文本化的 DOM 理解来“读懂”界面，再用自然语言驱动操作，心智负担几乎为零。
对前端 / 产品同学尤其友好：你想给后台加个“AI 帮我导这份报表”的入口，挂一段脚本就行，不用动架构。再加上它支持 BYO 模型、可接本地大模型，数据不出内网也能玩。如果你正琢磨怎么给产品接一个“会自己点页面”的 AI，Page Agent 是目前最省心、最贴近生产的选择之一。
下载地址
