Page Agent - 阿里开源 JavaScript GUI 智能体库

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。

微信关注回复“开源”，加入AI开源项目交流群

如何使用Page Agent

• 快速体验：在网页中插入一行
  喜欢(0)
  上一篇

  Codex与ChatGPT为何合体？Codex未来何去何从？OpenAI核心leader回应一切

  下一篇

  EdgeBench - 字节跳动研发的 AI 学习能力基准测试框架