阿里 Page Agent：几行 JS，把网页变成能听懂自然语言的 AI 助手

很多 Web 产品现在都想加一个 AI Copilot。

问题是，真正动手时很容易卡住：

你要改后端接口，要设计一套动作协议，要处理浏览器权限，还要考虑截图、多模态、无头浏览器、插件安装这些麻烦事。

最后一个“帮用户点按钮、填表单、切页面”的小功能，硬生生变成了一整个自动化工程。

今天这个项目，切入点就很有意思：

项目地址：https://github.com/alibaba/page-agent

中文 README：https://github.com/alibaba/page-agent/blob/main/docs/README-zh.md

它叫 Page Agent。

一句话概括：

Page Agent 是阿里开源的纯 JavaScript GUI Agent，可以让用户用自然语言操作 Web 应用，而且不强依赖后端、客户端或浏览器插件。

说白了，它想解决的是一个越来越常见的问题：

你的网页已经在那里了，按钮、表单、菜单、列表也都在那里了。

能不能不要重新做一套复杂系统，先让 AI 直接“看懂页面结构”，再按用户的一句话完成操作？

它是什么

Page Agent 的定位很明确：一个运行在网页里的 GUI Agent。

它不是一个新的聊天机器人，也不是一个服务端爬虫工具。

它更像是给你的 Web 页面加了一层“自然语言操作层”。

用户说一句：

点击登录按钮

Page Agent 就尝试基于页面 DOM 信息，找到对应元素并执行动作。

它的几个关键信号很值得看：

• 纯 JS 集成：不要求 Python、不要求无头浏览器，也不要求用户装浏览器插件。
• 基于文本 DOM 操作：重点不是截图识别，而是把页面结构转成模型更容易理解的文本信息。
• 自备 LLM：可以配置自己的模型服务，比如 README 里展示了 DashScope 兼容 OpenAI 接口的用法。
• 可选 Chrome 扩展：如果你需要跨页面、跨标签页任务，可以再接扩展能力。
• MCP Server 还在 Beta：它也在往现有 Agent 工具链里接浏览器控制能力。

截至 2026-06-25，GitHub 页面显示 alibaba/page-agent 已有约 19.5k star、1.7k fork。

这个关注度说明，它踩到的不是一个小众需求。

现在很多产品都在想：“我能不能给自己的后台、CRM、ERP、SaaS 系统加一个 AI 助手？”

Page Agent 给出的答案是：

先别急着推倒重来，让现有页面先能被自然语言驱动起来。

适合什么场景

我觉得 Page Agent 最值得看的，不是“AI 自动点按钮”这个表层能力。

真正实用的，是它把一批原本很重的 Copilot 场景，压到了前端可以快速验证的程度。

1. SaaS AI Copilot

很多 B 端产品都有一个共同特点：

功能很多，入口很深，用户经常不知道按钮在哪里。

比如销售系统、客服系统、项目管理后台、数据看板，老用户靠肌肉记忆，新用户靠到处问人。

如果接入 Page Agent，就可以先做一个轻量 Copilot：

用户输入“帮我创建一个本周客户跟进任务”，Agent 去页面里找入口、填表单、提交。

这不一定一开始就要做到完全自动化。

哪怕只是辅助定位、半自动填写，也能明显降低使用门槛。

2. 智能表单填写

表单是最适合 Agent 介入的场景之一。

因为表单天然结构化，也天然烦人。

销售录客户、运营配活动、HR 填员工信息、财务录报销单，很多动作不是难，而是重复、碎、容易出错。

Page Agent 的价值在于：

你不用为每个表单字段单独写一套 AI 接口。

它可以先基于页面结构理解字段，再按用户的自然语言指令去填写。

对内部系统来说，这种能力特别适合做“先可用，再优化”的原型。

3. 无障碍增强

这个场景容易被忽略，但很有价值。

如果网页可以用自然语言操作，就不只是给懒人省几次点击。

它也可能帮助视障用户、行动不便用户，或者临时不方便精细操作鼠标的人完成页面任务。

比如：

打开订单列表，筛选本月未处理的订单

这种指令如果能稳定执行，对无障碍体验会是一个直接提升。

当然，这里对稳定性、反馈和容错要求会更高，不能只当 Demo 玩。

4. 给现有 Agent 加浏览器能力

Page Agent 还提供了 MCP Server 的方向。

这意味着它不只是一个网页内助手，也可以成为其他 Agent 的一个工具能力。

比如你的工作流 Agent 已经会读文档、查数据库、调 API，但它还缺一个“操作现有网页系统”的手。

这时候 Page Agent 这类工具就有想象空间：

让 Agent 不只会说，也能在已有 Web 系统里完成一部分动作。

怎么快速上手

两种路径：

第一种是直接用 Demo CDN 体验。

它适合技术评估，不适合直接上生产，因为官方也明确提示 Demo CDN 使用的是免费测试 LLM API，需要注意条款和限制。

核心集成形式大概是：

<script src="{URL}" crossorigin="true"></script>

如果你只想加载脚本、不想自动创建 Demo Agent，可以在 URL 后加：

?autoInit=false

之后再手动初始化 window.PageAgent。

第二种是 NPM 安装：

npm install page-agent

然后在代码里创建实例：

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: 'zh-CN',
})

await agent.execute('点击登录按钮')

从这个例子能看出，它对前端团队是比较友好的。

你不需要先搭一个复杂的自动化服务，只要现有页面能跑，前端就可以先把 Agent 原型接起来验证。

它的门槛在哪里

Page Agent 的优势很明确，但别把它理解成“加一行脚本，所有网页立刻变智能”。

真实项目里，至少要注意四件事。

页面结构要靠谱

既然它强调基于 DOM 文本操作，那页面结构质量就很重要。

如果你的按钮全叫“确定”，表单 label 混乱，弹窗层级复杂，动态渲染一堆无语义节点，Agent 理解页面的难度就会上去。

这反过来也提醒前端团队：

未来做页面，不只是给人看，也要给 Agent 读。

权限边界要清楚

让 AI 操作页面，最怕的是“它能点什么、不能点什么”没有边界。

尤其是删除、付款、审批、发消息、批量修改这类动作，必须有二次确认、审计日志和可回滚设计。

Page Agent 解决的是操作层能力，不替你解决产品安全策略。

模型成本和延迟要算

GUI Agent 听起来很酷，但每次理解页面、规划动作、执行反馈，都可能消耗模型调用。

如果放在高频后台操作里，成本和延迟会直接影响体验。

所以更现实的做法是：

先挑低风险、高重复、强结构化的场景试水。

比如表单填写、页面导航、信息筛选、辅助配置。

它不是服务端自动化工具

README 里也强调了一个边界：PageAgent 是为客户端网页增强设计的，不是服务端自动化工具。

这句话很关键。

如果你要做的是大规模爬取、后端任务编排、无头浏览器批处理，那它未必是最合适的方向。

它更适合增强现有 Web 应用的交互体验。

适合谁试

如果你是产品经理，可以拿它验证一个问题：

你的产品里，哪些高频路径适合被一句话触发？

如果你是前端开发，可以拿它验证另一个问题：

现有页面结构够不够清晰，能不能被 Agent 稳定理解？

如果你是创业者或小团队负责人，它更适合做快速原型：

不用先重写业务系统，先在已有后台上接一个轻量 AI Copilot，看看用户是不是真的愿意用。

如果你是 AI Agent 开发者，Page Agent 值得关注的是 MCP 和浏览器控制能力。

现在很多 Agent 的短板，不是不会推理，而是离真实业务系统太远。

页面操作能力，正在变成 Agent 落地的一块关键拼图。

我的判断

Page Agent 这类项目，背后其实有一个很明确的趋势：

AI 不会只停留在聊天框里，它会越来越多地进入已有软件界面。

过去我们做软件，默认用户要学习菜单、按钮、流程。

现在变化开始出现：

用户可能不想知道按钮在哪里，只想说清楚自己要完成什么。

这对产品设计、前端工程和企业内部系统都会有影响。

以前页面只要“人能看懂”就行。

以后页面可能还要“Agent 能读懂、能操作、能解释失败原因”。

Page Agent 现在还不是万能答案，但它很适合提醒我们：

下一代 Web 产品的竞争，不一定只在模型多强，也在于你能不能把已有界面变成可被 AI 调度的工作流。

如果你的团队正在做 SaaS、后台系统、ERP、CRM 或内部工具，这个项目值得收藏。

不用一上来就追求“全自动 AI 员工”。

先找一个最烦、最重复、最容易验证的页面流程，让 AI 帮你少点 20 次鼠标。

这就已经很实在了。

==关注我==，后面我会继续拆这类能真正落到工作流里的 AI 工具。你也可以先收藏这篇，转给正在给 Web 产品加 Copilot 的同事。