Page-Agent - 技术发现报告

Page-Agent 是一个由阿里巴巴开源的嵌入式 GUI Agent JavaScript 库，可直接嵌入网页，通过自然语言控制 Web 界面，无需服务器、无头浏览器或浏览器扩展。

基本信息

Page-Agent 是一个由阿里巴巴开源的嵌入式 GUI Agent JavaScript 库，可直接嵌入网页，通过自然语言控制 Web 界面，无需服务器、无头浏览器或浏览器扩展。

嵌入式运行（In-page JavaScript） - 无需浏览器扩展、Python 环境或无头浏览器，仅通过一行 JavaScript 代码即可嵌入到任何网页中。所有操作直接在用户的浏览器页面内完成，零基础设施需求。
基于文本的 DOM 操控（Text-based DOM Manipulation） - 不依赖截图、OCR 或视觉模型。通过 HTML 脱水（dehydration）技术，解析实时 HTML，提取语义核心内容，索引交互元素，然后由 LLM 返回基于索引的操作指令，在页面上模拟鼠标和键盘事件。该方案源自 browser-use 项目。
自带 LLM（Bring Your Own LLM） - 不绑定特定 LLM 提供商。支持任何 OpenAI 兼容 API，包括 OpenAI GPT、Claude、DeepSeek、Qwen、Gemini、Grok，以及本地部署的 Ollama 模型。库本身不包含任何后端服务，数据仅流向用户配置的 LLM API。
跨页任务支持（可选 Chrome 扩展） - 提供可选的 Chrome 浏览器扩展，支持跨标签页的多页面任务、浏览器级控制和从浏览器外部发起的任务触发。扩展 API 支持 MCP（Model Context Protocol，模型上下文协议）集成。
模块化架构 - 分层设计，将 AI 决策层（page-agent）与页面操作层（page-controller）分离。支持自定义工具（Tools）、生命周期钩子（Lifecycle Hooks）、提示词定制和数据遮罩等扩展能力。可以单独使用 @page-agent/core 作为无头核心嵌入自定义 UI。

GitHub Stars： 16,700+（截至 2026-04-12）
GitHub Forks： 1,400+
Contributors： 具体数量待验证（GitHub 页面加载问题），项目活跃维护中
Releases： 28 个版本（最新 v1.7.1，发布于 2026-04-03）
最近更新日期： 2026-04-03（v1.7.1 发布）
社区讨论热度： Hacker News Show HN 帖子引发广泛讨论（item id: 47264138），讨论涉及安全性、架构设计、竞品对比等多个维度；国内掘金、知乎、CSDN 等平台均有报道
npm 下载量： 具体数据待验证（npm 包名：page-agent）
Issue 活跃度： 25 个 Open Issues，24 个 Open PR，项目积极回应社区反馈

所属领域： Web AI Agent / GUI 自动化 / 浏览器内 AI 智能体
解决的核心问题： 让 Web 开发者能够以极低成本（一行代码）为自己的 Web 应用添加自然语言控制能力，无需搭建服务器端自动化基础设施。区别于传统的服务端浏览器自动化方案（如 Selenium、Puppeteer），Page-Agent 从页面内部发起操控，利用用户已有的登录态直接操作。
替代/竞品技术：
browser-use（Python 服务端方案，Page-Agent 的 DOM 处理逻辑源自该项目）
Playwright MCP（微软推出的浏览器自动化 MCP 方案）
Agent Browser（Vercel 推出的 AI 浏览器控制方案）
Rover（rtrvr.ai）（类似的嵌入式 Web Agent 商业产品）
Stagehand（AI 浏览器自动化工具）
依赖的上游技术： LLM API（OpenAI 兼容接口）、浏览器 DOM API、zod（TypeScript schema 解析库，唯一运行时依赖）
下游使用者/集成方： SaaS 产品（AI Copilot 集成）、企业管理系统（ERP/CRM 智能填表）、无障碍辅助工具、多页面自动化工作流