Page Agent – 阿里开源的 JavaScript GUI 智能体库

最近 AI 工具圈又上新了——Page Agent。下面用第三方视角拆一拆：它到底解决什么问题、怎么上手、和同类比差在哪。

Page Agent是什么

Page Agent 是一款 AI 工具，阿里开源的 JavaScript GUI 智能体库。

核心功能能做什么

Page Agent是什么

Page Agent 是阿里巴巴开源的纯前端 JavaScript 智能体库，通过一行代码嵌入网页，可让用户用自然语言操控页面 DOM 元素。客户端库采用DOM 脱水技术将复杂页面压缩为精简文本树，支持任何 OpenAI 兼容模型，无需后端、截图或浏览器扩展，即可实现点击、填表、滚动等交互，适合为自有 Web 应用快速添加 AI 副驾驶功能。

Page Agent的主要功能

• 自然语言操控页面：用户输入点击登录按钮、填写表单等指令，AI 自动定位并执行 DOM 操作
• DOM 脱水压缩：将复杂页面结构压缩为 FlatDomTree 文本树，仅提取交互元素，降低模型输入成本
• 模型无关架构：支持任何 OpenAI 兼容端点（如通义千问、GPT 等），只需配置 baseURL 和 API Key
• 内置安全控制：支持操作白名单、敏感字段数据脱敏、关键操作人工确认，以及自定义领域知识注入
• 单页交互闭环：在单个页面内完成点击、输入、滚动等操作，无需后端服务或浏览器扩展

Page Agent的技术原理

• DOM 脱水（DOM Dehydration）：扫描页面 DOM，为每个交互元素分配索引、角色和标签，剥离冗余标记，生成紧凑文本表示供模型理解。
• PageController 架构：核心控制器负责更新 DOM 树、执行元素点击、文本输入、页面滚动等原子操作。
• Monorepo 分包设计：@page-agent/core 负责无头智能体逻辑，page-agent 提供完整 UI 面板，@page-agent/page-controller 处理 DOM 提取与索引。
• 客户端沙箱运行：直接运行在用户浏览器会话中，继承 Cookie、Session 和认证状态，无需额外后端。

实际适合谁用

适合想快速体验新能力、做原型或本地部署的开发者与爱好者；涉及生产级稳定性、合规审计的场景，先评估再上车。

和同类比，怎么选

Page Agent 侧重「阿里开源的 JavaScript GUI 智能体库」。选哪个看你是个人尝鲜还是企业落地——建议先试免费或开源版，再决定要不要深度接入。

常见问题

Page Agent是什么，主要解决什么问题

Page Agent是一款 AI 工具，阿里开源的 JavaScript GUI 智能体库。

Page Agent开源吗，用什么协议

Page Agent已开源，采用 MIT 协议，可自由查看源码与本地部署。

Page Agent怎么上手 / 怎么用

访问官网或对应平台（文内链接）注册或下载即可体验；开源版本按官方仓库说明本地部署，消费级显卡大多能跑。

Page Agent和同类工具比，选哪个

Page Agent侧重「阿里开源的 JavaScript GUI 智能体库」；选哪个看你是个人尝鲜还是企业落地，建议先试免费或开源版再决定。

Page Agent适合谁用，不适合谁

适合想快速体验新能力、做原型或本地部署的开发者与爱好者；涉及生产级稳定性、合规审计的场景，先评估再上车，别直接当关键链路。