最近发现阿里云开源的 Page Agent 挺有意思，跟大家分享一下我的使用感受。
PageAgent简介
PageAgent 是一款由阿里巴巴开源的、基于 JavaScript 的 GUI 智能体（GUI Agent）。它最大的亮点在于无需依赖浏览器插件、Python 环境或无头浏览器，仅通过在页面中注入 JavaScript 即可运行。
它允许用户通过自然语言控制网页界面，将复杂的操作流程转化为简单的指令，非常适合用于 SaaS 产品的 AI 助手集成或个人网页自动化任务。
开源仓库：https://github.com/alibaba/page-agent
核心特性概览
| 特性维度 | 描述 |
|---|---|
| 技术架构 | 纯前端 JavaScript 实现，基于 LLM（大语言模型）驱动。 |
| 集成方式 | 支持 CDN 直接引入、NPM 包安装，也支持独立的 Chrome 插件。 |
| 核心原理 | 基于文本的 DOM 操作，无需截图或多模态 LLM，直接解析页面元素。 |
| 适用场景 | 智能表单填写、SaaS 产品 Copilot、网页无障碍访问等。 |
两种接入与使用方式
网站所有者：嵌入式 AI 助手
如果你是网站开发者，希望为你的用户提供“AI 操控”能力，只需在网页源码中引入一行 JS 代码即可。
实现原理：
快速接入代码：
<script src="https://registry.npmmirror.com/page-agent/1.6.3/files/dist/iife/page-agent.demo.js"></script>
效果： 网站上会出现一个聊天框，用户可以通过文字沟通来自动化处理一些简单任务，无需后端重写。
体验地址： https://cooking.youhun.wang/
个人用户：浏览器插件扩展
如果你不是网站所有者，但希望在日常浏览中使用自动化功能（如在非自家的网站上执行复杂任务），可以使用其提供的 Chrome 扩展程序。
使用方法：
- 安装官方提供的 Chrome 扩展：https://alibaba.github.io/page-agent/docs/features/chrome-extension/。
- 扩展会注入 Agent 脚本到当前页面。
- 用户可以通过扩展面板发送指令，控制当前标签页。
适用场景： 适合完成跨页面任务或对第三方网站进行稍微复杂的自动化操作。
实际体验：有亮点也有槽点
在实际体验中，PageAgent 的表现符合预期，但也存在一定的局限性：
优点：
- 轻量级： 无需复杂的环境配置，纯 JS 运行，加载速度快。
- 低成本： 相比于
Puppeteer或Selenium，它直接在页面上下文中运行，资源消耗更低。 - 易上手： 开发者集成非常简单，几行代码即可拥有
AI Copilot能力。
局限性（体验反馈）：
- DOM 依赖性强： 它的识别逻辑完全依赖于 DOM 模型。如果网页元素缺乏语义化标签（如没有
aria-label或文本内容），Agent 往往会“视而不见”，导致无法点击或输入。 - 简单任务为主： 目前更适合处理逻辑简单的线性任务（如填写表单、点击导航）。对于逻辑极其复杂或动态加载极快的 SPA 应用，可能会出现识别滞后或找不到元素的情况。
- 体验一般： 在一些非标准布局的网站上，交互体验可能不如原生插件流畅。
总结与建议
Page Agent 是一个挺有想法的项目，把 AI Agent 从“外部操控浏览器”变成了“内部嵌入网页”，架构轻量、接入成本低。但目前在实际使用中，DOM 识别的准确率还有提升空间，复杂任务容易翻车。
不过话说回来，这种纯前端实现 GUI Agent 的思路确实值得学习。如果你对 AI 自动化或者浏览器扩展开发感兴趣，去 GitHub 上看看源码应该能有不少收获。