阿里 Page Agent:把 AI 变成网页里的「常驻用户」,开源 JS 库完成 DOM 自然语言操控

事件内容

7 月初,阿里巴巴开源了一款叫 Page Agent 的 JavaScript 客户端库,挂在 alibaba/page-agent。这个库做的事情很直接:把 AI 智能体作为 JavaScript 模块直接嵌入网页,让 AI 在浏览器里以「网页用户」的身份,根据自然语言指令,完成点击按钮、填写表单、滚动页面等操作。

整套库的代码基于 TypeScript,协议采用 MIT,核心架构是三大包:@page-agent/core(无头 Agent 逻辑)、page-agent(含 UI 面板的入口类)、@page-agent/page-controller(DOM 提取与元素索引)。

最值得拎出来说的,是它实现 DOM 自然语言操控的核心技术——DOM 脱水(DOM Dehydration):把整个页面的实时 DOM 树压缩成一个叫 FlatDomTree 的纯文本映射,扔给一个普通的文本大模型(默认示例是阿里自家的 qwen3.5-plus,OpenAI 兼容端点),模型读完文本结构后,精确告诉你「该点哪个按钮」。整个过程不走截图、不依赖多模态——只有纯文本往返。

深度剖析

第一,这是一套「反 Playwright」的工程哲学。

熟悉自动化测试的人知道,行业里最主流的工具链是 Playwright、Puppeteer、Selenium、browser-use——它们的共同点是:外部进程,通过截图或 Chrome DevTools Protocol 来操控浏览器。这种模式的优点是跨页面、跨标签;缺点是部署重、需要无头浏览器、要付费给多模态模型、Cookies 和会话不连续。

Page Agent 反着做:Agent 活在网页里,作为一段普通 JavaScript 加载。一旦加载,AI 就继承了用户的 Cookies、会话、登录态——根本不需要「重新登录」。没有无头浏览器、没有外部驱动、没有后端服务。一个