概述
Page-Agent 是阿里巴巴开源的一个纯前端浏览器内 GUI Agent 框架。它的核心优势在于无需后端部署，即可通过简单的集成将 AI 能力注入现有网站。
核心特性
- 纯前端架构：直接在浏览器运行，数据不经过外部服务器，隐私性更好。
- 多模型支持：兼容 OpenAI、Claude、DeepSeek、Qwen、Gemini 等多种主流大语言模型。
- 人机协同：内置确认面板，允许用户实时查看并确认 AI 的操作步骤。
- 轻量级：版本迭代稳定，MIT 协议开源，可商用。
快速集成
在项目中引入库后，初始化实例非常简单。只需几行代码即可完成配置：
import { PageAgent } from '@alibaba/page-agent';
const agent = new PageAgent({
model: 'gpt-4',
apiKey: 'your-api-key'
});
// 执行指令，例如自动填写表单
agent.run('帮我填写这个表单');
实际开发中，建议根据业务需求调整 model 参数以适配不同的成本或性能要求。
支持的模型
Page-Agent 支持市面上主流的几乎所有大语言模型，包括：
- OpenAI (GPT-4, GPT-3.5)
- Claude (Anthropic)
- DeepSeek
- Qwen (通义千问)
- Gemini (Google)
- Grok (xAI)
- Ollama (本地部署)
- Kimi (月之暗面)
- GLM (智谱 AI)
- LLaMA (Meta)
适用场景
该框架主要适用于以下场景：
- 智能表单填充：自动识别网页字段并根据指令完成录入。
- SaaS 辅助：为复杂系统添加自然语言操作入口。
- 无障碍增强：提供语音控制和智能导航，提升残障人士使用体验。
- 跨页面任务：支持浏览器扩展模式下的复杂工作流自动化。
技术架构
内部主要由 DOM 解析器、操作执行器、确认面板及 LLM 适配器组成。这种设计使得它既能深入理解网页结构，又能安全地模拟用户交互行为。
总结
对于希望快速为 Web 应用增加智能化交互能力的团队，Page-Agent 提供了一个低门槛的解决方案。它屏蔽了复杂的后端逻辑，让开发者专注于前端体验的优化。