alibaba/page-agent

阿里出品的 网页内 GUI Agent（“The GUI Agent Living in Your Webpage”）。一段脚本让任意网页拥有自己的 AI Agent，用自然语言直接操控网页交互，无需浏览器插件、Python 或 headless browser。24.7k stars，TypeScript 实现，MIT 协议。

核心特点

• 纯前端集成：一行 <script> 或 npm install page-agent 即可接入，全部逻辑跑在页面内 JS，不需要浏览器扩展/Python/headless browser
• 文本化 DOM 操作：不依赖截图和多模态模型，通过文本化 DOM 表示驱动交互，普通文本模型即可用
• 模型自带（BYOM）：兼容主流 LLM（含本地部署模型），示例默认接入阿里 Qwen（qwen3.5-plus + DashScope 兼容 API）
• 可选 Chrome 插件：支持跨标签页的多页面任务
• MCP Server（Beta）：可从外部通过 MCP 控制页面内 Agent

典型用例

• SaaS 产品内嵌 AI Copilot，几行代码接入，无需后端重写
• 智能表单填充：把 20 步点击操作变成一句话指令（ERP/CRM/管理后台场景）
• 无障碍访问：自然语言操控任意网页，语音/屏幕阅读器零门槛适配
• 多页面 Agent：借助 Chrome 插件跨标签页扩展 Agent 能力
• 通过 MCP 让外部 Agent 客户端控制浏览器页面

架构关系

DOM 处理组件和 prompt 设计衍生自 browser-use，但定位不同：page-agent 面向客户端网页增强（in-page），browser-use 是服务端浏览器自动化（out-of-page，headless）。二者可视为同一 DOM 交互范式在不同部署形态上的分支。

快速用法

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: 'en-US',
})
 
await agent.execute('Click the login button')

资源

• GitHub: https://github.com/alibaba/page-agent
• 官方文档 / Demo: https://alibaba.github.io/page-agent/
• npm: page-agent
• Chrome 插件: Page Agent Ext