Page Agent

你知道最让我感到沮丧的是什么吗？不是量子电动力学里那些恼人的无穷大，也不是路径积分里绕来绕去的数学。而是那些——恕我直言——愚蠢的网页。 是的，就是那个你每天都要面对的、堆满了按钮和表单的后台管理系统。你登录进去，想要做一件简单的事，比如说，"帮我找出上个月销售额超过五万、但退货率低于百分之十的商品"。听起来很合理，对吧？但接下来你要做什么？点击"报表"，不，不对，要先点"筛选条件"，然后展开"高级选项"，然后选择日期范围，然后...哦等等，这个下拉菜单里有没有你要的选项？ 等你终于点完二十几次鼠标，你已经忘了自己最初想干什么。 这让我想起小时候在法洛克维修理收音机的时候。那时候要调整一个频道，你得转动那个小小的旋钮，眼睛盯着指针，心里默念着"再过去一点，再过去一点"。现在的网页就像是那个旋钮，只不过它被藏在了二十层菜单后面，而且每次转动都要你亲自动手。 **住在网页里的精灵** 大约就在不久前——在计算机世界里，"不久前"通常意味着几个月前——阿里巴巴的一群工程师开始思考一个奇怪的问题：如果我们能让网页自己理解你想要什么，会怎么样？ 不是那种又笨又慢的宏录制，也不是需要安装一大堆Python库和Chrome驱动的自动化脚本。而是某种...更轻的东西。就像是在网页里住下了一个聪明的小精灵，你直接用平常说话的方式告诉它"帮我做这件事"，它就真的去做了。 他们把这个东西叫做 **Page Agent**。 我喜欢这个名字。"Agent"在英语里既有"代理人"的意思，也有"特工"的意思——想想詹姆斯·邦德，只不过这个特工不喝酒、不玩牌，它的任务是帮你点按钮。 但最有趣的部分是"Page"这个词。这个小特工不住在你的电脑硬盘里，也不住在某个遥远的云端服务器上。它就住在**网页本身**里。就像水母住在海洋里，或者——如果你更喜欢陆地上的比喻——就像共生的细菌住在你的肠道里。 **别给网页拍照，直接跟它对话** 现在，如果你去Google上搜索"让AI控制浏览器"，你会发现一大堆项目。它们中的大多数都做了一件在我看来有点疯狂的事：它们给网页截图。 想象一下：你想让朋友帮你操作一个复杂的机器，但你不是告诉他机器上有哪些按钮，而是给他发一张照片，说："看着这张照片，告诉我该按哪里。"这太荒谬了！照片是平的，是死的。机器是三维的——好吧，网页是逻辑上的三维——是活的。 Page Agent 的做法完全不同。它做了我称之为"脱水"的事情——它把网页的结构提取出来，就像把一块海绵里的水挤出去，只剩下骨架。但不是死板的骨架，而是带有语义的骨架。它告诉AI："这里有一个按钮，上面写着'提交'；那里有一个输入框，标签是'用户名'。" 这很重要。因为这样一来，AI不需要"看懂"一张图片——那可是需要那种又大又贵、吃电像喝水的多模态模型。它只需要 **理解文本**，而这是现在的小模型就能做得很好的事情。这就好比，与其让一个人通过看照片来组装家具，不如直接把说明书给他。 **一行代码的魔法** 让我告诉你这东西有多轻。轻得几乎让人感动。 如果你想试试看——只是为了好玩，不是为了工作——你只需要在网页的某个地方，任何能放HTML的地方，加上这么一行： ```html <script src="https://cdn.jsdelivr.net/npm/page-agent@1.5.11/dist/iife/page-agent.demo.js" crossorigin="true"></script> ``` 就这一行。不需要`npm install`跑五分钟，不需要配置什么WebDriver，不需要因为你的Python版本太新或太旧而抓狂。就像我小时候把电子管插进电路板里，啪的一声，灯亮了。 当然，如果你想正经地用，你得告诉它该用哪个AI大脑。可以是OpenAI的GPT，可以是Claude，也可以是阿里巴巴自己的通义千问，甚至是你自己部署的开源模型。Page Agent 不在乎。它只是说："给我任何一个能听懂人话的脑子，我就能让它操纵网页。" **存智于外，如柴在野** "存智"——把智慧存起来。但存哪里呢？不是存在你的脑袋里，因为人的脑袋是有限的。我花了大半辈子研究物理，深知人脑在记忆细节方面有多糟糕。我能推导出量子力学的路径积分，但我记不住我的车停在机场的哪个区。 "柴"——燃料。野外的柴火。你不需要把整座森林都搬进你的客厅，你只需要知道在需要的时候，去哪里捡一根合适的树枝。 "外脑"——外部的大脑。这不是要把你变成傻瓜，恰恰相反。这是要把你从那些繁琐的、机械的、重复性的点击和输入中解放出来，让你的大脑去做它真正擅长的事：创造性思考，提出新问题，发现新模式。 Page Agent 就是这样一个外脑。它就像是你请来的一个极其有耐心的实习生，它永远不会累，永远不会因为点了二十次同样的按钮而生气，永远不会在填写表单的时候走神去想晚饭吃什么。 **当网页有了耳朵** 想想看这意味着什么。 那些复杂的企业后台系统——ERP、CRM、供应链管理系统——它们通常需要几天的培训才能上手。现在，一个刚入职的新人可以说："帮我给过去三十天购买过高端产品的客户群发一封感谢信。"然后Page Agent就会去找到筛选条件，找到邮件功能，填好模板，发送出去。 而那些为视障人士设计的无障碍功能——不再只是机械地读出"按钮，按钮，按钮"，而是可以直接回答："你想做什么？我帮你。" 甚至是我小时候修收音机的那个场景。如果那个收音机里住着一个Page Agent，我可以说："信号不太好，帮我调整一下。"然后它自己就会去转动那个虚拟的旋钮，直到声音清晰为止。 **好奇心的延续** 费曼曾经说："凡是我不能创造的，我就还没有理解。" Page Agent 的美妙之处在于，它把"创造"的门槛降得极低。你不需要是一个前端工程师，不需要懂React或Vue，不需要理解DOM树是什么。你只需要是一个会使用语言的人——而这是人类几百万年进化出来的本能。 当你对一个网页说"帮我做这件事"，而网页真的听懂了，并且去做了，这是一种神奇的感觉。就像是你第一次按下收音机的开关，听到从虚空中传来的声音。那一刻，你感觉到机器不再是死的，它开始有了某种...生命力？不，不是生命力，是 **可交流性**。 阿里巴巴把这项技术开源了。MIT许可证，意味着你可以拿去卖钱，可以改得面目全非，可以做任何你想做的事。这让我想起科学本身——真正的知识应该是免费的，应该像空气一样流动。 所以，下次当你面对一个让你想要砸显示器的复杂网页时，记住：也许很快，你只需要说一句话，那个住在网页里的小精灵就会跳出来，接过你手中的鼠标，说："放轻松，让我来。" 毕竟，人生苦短，为什么要浪费在点击按钮上呢？