1.5k stars！阿里开源 PageAgent：让 AI 直接“住进“你的网页，用自然语言操控一切！

工作流程大致如下：

1. 用户输入自然语言指令（如"帮我搜索最新订单"）
2. PageAgent 清理当前页面 DOM，提取语义化结构
3. 将简化的 DOM + 指令发送给 LLM（支持 Qwen、OpenAI 等）
4. LLM 返回操作步骤（点击哪个元素、输入什么内容）
5. page-controller 执行具体 DOM 操作
6. 循环直到任务完成

关键亮点：不依赖截图

绝大多数竞品（包括 browser-use 的原始方案）要截图发给视觉模型识别。PageAgent 直接用 DOM 结构，这意味着：

• 速度更快（无需图像处理）
• 成本更低（无需多模态模型）
• 准确性更高（结构化信息比图像识别可靠）

四、怎么用？三种接入方式

方式一：最快体验——Demo LLM

打开官网 alibaba.github.io/page-agent，使用项目提供的免费 Demo API（仅供技术评估，有频率限制），直接在页面上输入指令体验。

方式二：编程接入（BYOK，自带密钥）

npminstall page-agent 

import{ PageAgent }from'page-agent'const agent =newPageAgent({model:'qwen3.5-plus',baseURL:'https://dashscope.aliyuncs.com/compatible-mode/v1',apiKey:'YOUR_API_KEY',language:'zh-CN',})// 用自然语言执行操作await agent.execute('点击登录按钮')await agent.execute('把用户名填写为 admin')await agent.execute('找到最近7天的订单，导出为 Excel')

支持任何兼容 OpenAI 接口的 LLM 服务，包括阿里云百炼（Qwen）、OpenAI、Anthropic 等。

方式三：多 Tab 场景——Chrome 扩展

对于需要跨多个标签页操作的复杂任务，可以安装配套的 Chrome 扩展（目前仍在开发中，标注为 WIP）。配置好 API Key 后，Agent 的操作范围可以从单页面扩展到整个浏览器。

隐私与安全

PageAgent 采用 BYOK（Bring Your Own Key） 架构：

• 数据只在你的浏览器和你配置的 LLM 服务商之间流动
• 项目本身没有任何后端，不收集用户数据
• API Key 仅存储在浏览器本地（localStorage）
• 所有配置不会同步到外部服务器

五、与其他方案对比

值得一提的是，PageAgent 在 README 中坦诚地致谢了 browser-use 项目——DOM 处理组件和部分 Prompt 设计借鉴自该项目，并遵循 MIT 协议开源。开放的态度让人好感度倍增。

六、总结：它适合谁？

PageAgent 是一个思路清晰、定位精准的开源项目，核心价值在于"轻量嵌入"。

适合这些人用：

• 🎯 想给自家 SaaS / 后台系统快速加上 AI Copilot 的前端开发者
• 🎯 做 RPA 或自动化工具的工程师，想降低环境依赖
• 🎯 希望让老旧内部系统（ERP/CRM）支持自然语言交互的团队
• 🎯 对 Web Agent 技术感兴趣、想研究客户端 Agent 方案的研究者

需要注意的是：

• 目前 Chrome 扩展仍在开发中（WIP）
• 跨域、登录态等复杂场景可能需要额外处理
• Demo API 仅供评估，生产使用需自备 LLM API Key

AI 与 Web 的结合，正在从"服务端控制浏览器"向"Agent 住进页面"演进。PageAgent 是这个方向上一个值得关注的实践。

GitHub 地址：https://github.com/alibaba/page-agent
官网文档：https://alibaba.github.io/page-agent/

如果觉得有帮助，欢迎点个在看 👇