Page Agent – 阿里开源的网页内嵌 GUI 智能体库，一句指令操控页面

Page Agent 是一款由阿里巴巴于 2025 年 9 月开源的网页内嵌 GUI 智能体库，主要用于让网页用自然语言完成点击、填表与多步操作，支持一段脚本接入和自选大模型，适用于产品内置智能助手、后台表单批量填写与无障碍浏览等场景。

Page Agent 的核心能力

它要解决的是「网页自己不聪明」这件事：把页面上的元素读成文本，再让模型决定点哪里。同类思路里，站内的 Obscura 走的是无头浏览器路线，Page Agent 则把执行层直接放进页面。

一段脚本嵌入页面

引一个 npm 包，在页面里初始化并传入模型配置，智能体就能在同一张页面上工作。不需要装浏览器扩展，不需要额外的 Python 服务，也不用起无头浏览器进程，前端改动能控制在很小范围。

文本化 DOM 操作

执行层把页面结构读成文本节点清单，模型据此给出操作意图，再由脚本落到具体元素上。全程不截图，因此不依赖多模态模型，也不需要屏幕录制这类高权限能力，普通文本模型即可驱动。

自选模型接入

官方说明支持主流模型，也支持本地部署的模型；模型只负责决策，页面操作由库执行。评测与选型可以在自己账号里完成，不必把业务页面迁到某个托管平台。

扩展处理多页任务

单页内的操作由页面脚本完成，跨页面、跨标签的流程交给可选的 Chrome 扩展。扩展与页面脚本共用同一套工具定义，任务是同一条链路，只是执行上下文从单页扩到多页。

MCP 服务对外开放

官方提供处于 Beta 状态的 MCP 服务，把页面操作能力以协议形式暴露出去，外部智能体可以按工具清单调用。适合已经有编排层、只想把「点页面」这一步接进来的团队。

npm 包与文档示例

仓库给出安装、初始化、工具注册的示例代码，文档分功能、模型、扩展三块，中文版 README 同步维护。接之前建议先看多页任务那段，站内的 Kimi WebBridge 也是同类延伸方向的参考。

Page Agent 与 browser-use 的对比

两者都让 AI 操作网页，差别在「智能体住在哪里」和用什么语言写。下表按可核实的结构项并列。

最影响选型的是三处。运行位置：Page Agent 住在页面里，用户在哪张页面就在哪里执行，适合做产品内置能力；browser-use 在独立进程里开浏览器，更适合批量跑任务。开发语言：前端团队用 TypeScript 接入更顺手，数据与自动化团队用 Python 更自然。首次开源：browser-use 2024 年 10 月入场、生态更成熟，Page Agent 2025 年 9 月才开源，晚近一年。

另外两项差异体现在工程成本上：页面内脚本不需要维护浏览器实例，但受同源与页面权限约束；独立进程能绕开这些限制，代价是要管一台常驻的执行环境。两边都把模型决策与页面执行拆开，换模型不影响操作层。

如果更关心「界面操作背后的基座模型」，站内的 Qwen-UI-Agent（阿里巴巴通义实验室推出的 GUI 智能体基座模型）值得对照着看。

Page Agent 的应用场景与适用人群

页面里嵌入智能体的价值集中在「用户懒得多点几下」的地方；要做整站级的自动化编排，可以对照 QMuse 的应用生成思路：

• SaaS 内置助手：在自家后台挂一个对话入口，用户说需求，助手代为点菜单、填字段。
• 表单批量填写：ERP、CRM 里二十几次点击的流程，压成一句话触发。
• 无障碍操作：把复杂界面转成自然语言指令，降低键盘与读屏的操作负担。
• 客服与实施支持：远程指导客户在自己页面上完成配置，减少逐步截图沟通。
• 内部验收与回归：让智能体按固定话术走一遍关键流程，检查按钮与提交流程是否还通。

适用人群：适合有前端团队、想把 AI 能力直接做进产品的 SaaS 与工具站，也适合需要把老后台流程自动化的实施与运维团队；只做一次性数据抓取、又不打算改前端的场合，用现成的浏览器自动化脚本更省事。

Page Agent 的使用方法

官方给了三条路：页面内引入脚本最快，扩展负责多页任务，MCP 用来对接外部编排。完整参数与工具清单见 官方文档。

页面内接入：给产品加一层对话式操作

1. 用 npm 安装 page-agent，在业务页面里初始化实例。
2. 填入模型服务地址、密钥与模型名，先用一条简单指令验证能返回操作意图。
3. 按官方示例注册工具，把点击、输入、提交映射到页面元素。
4. 在测试环境跑一遍关键流程，确认误点与越权操作被拦下后再上前台。

Chrome 扩展：处理跨页与多标签流程

1. 安装仓库提供的 Page Agent Ext 扩展。
2. 在需要参与的页面授权扩展访问，确认页面脚本与扩展能同时识别元素。
3. 把跨页步骤写成一条任务，观察智能体在标签间切换时的元素定位。
4. 站内的 Kimi 浏览器扩展 也可作为对照，比较两类扩展在授权粒度上的差异。

MCP 服务：从外部系统调度页面操作

1. 在项目里开启 MCP 服务，拿到连接地址与凭据。
2. 在外部智能体一侧注册该服务，确认工具列表能正常拉取。
3. 下发一条页面任务，回看执行日志与最终页面状态是否符合预期。

注意两点：页面内执行受同源与登录态约束，跨域页面通常要退回扩展或独立进程；模型密钥不要写进前端包，官方示例建议由后端转发。需要整站级应用编排时，可另看站内应用生成类平台的思路，那是另一条路线。

Page Agent 的项目地址

• 项目主页：https://alibaba.github.io/page-agent/
• GitHub 主仓库：https://github.com/alibaba/page-agent

Page Agent 的价格方案

开源部分按 MIT 协议分发，代码、npm 包与扩展都不收费，也没有企业版报价这一层。商用与二次开发都允许，改动后不强制开源，只是需要保留版权与许可声明。

实际成本落在模型调用上：智能体每走一步都要请求一次模型，长流程的 token 消耗取决于页面复杂度与步骤数。自建或本地模型可以把边际成本压得很低，用商业 API 则按各家当期价格计费。

Page Agent 的常见问题