Github 2w star，网页秒变 AI 助手！

一款来自阿里的非常有意思的项目这两天登上了Github热榜，项目名字叫 PageAgent

以前我们搞 Web 自动化要么需要搭建 Python、无头浏览器等复杂环境，要么依赖截图 OCR 和多模态模型，操作很是麻烦，也很难嵌入现有产品做前端增强。

这个项目可以让网页直接拥有一个 AI Agent，通过自然语言就能控制网页界面完成各种操作。

项目简介

PageAgent 是一个纯前端的 JavaScript GUI 智能体框架，它的核心理念是 “The GUI Agent Living in Your Webpage” （住在你网页里的 GUI 智能体）。与传统的“外部控制”方案不同，PageAgent 直接在浏览器页面内运行，通过读取和操作 DOM 结构来理解和控制界面，无需截图、无需 OCR、无需多模态大模型。

项目在 GitHub 上已经获得了 20k+ star 的高度认可，是当前 Web Agent 领域的热门开源项目。

项目体验展示

为了让大家直观地感受 PageAgent 的功能，开源君通过 Page-Agent 官方 CDN 一行脚本的方式 ，接入了一个极简的演示页面。

页面只保留了登录表单和商品列表两个核心区块，结构清晰，便于 AI 理解。演示了以下两个典型场景：

场景1：自动填写表单

在交互面板中输入指令：“在登录表单中填写邮箱 demo@test.com，密码 123456，然后点击登录”。

PageAgent 会立刻解析 DOM 结构，精准定位到邮箱和密码的输入框，填入指定信息，并自动点击“登录”按钮。整个过程流畅自然，无需任何手动操作。

场景2：提取并分析商品信息

在交互面板中输入指令：“提取页面所有商品名称和价格，并找出页面中最便宜的商品”。

PageAgent 会自动扫描页面，从商品列表中提取出所有商品的名称和对应的价格信息，并进行计算比对，标记出价格最低的商品。

功能特性

• 纯前端实现： 无需后端部署，直接在浏览器中运行，支持 CDN 和 NPM 两种引入方式
• 无需截图： 基于 DOM 结构进行文本操作，速度快、成本低、准确性高
• 支持多模型： 兼容 OpenAI、Claude、DeepSeek、Qwen、Gemini 等多种主流大模型
• 人机协同： 提供交互式 UI 面板，支持 Human-in-the-loop，用户可实时查看和确认 AI 操作
• 隐私安全： 采用 BYOK（Bring Your Own Key）架构，数据只在浏览器和用户配置的 LLM 之间流动
• 多页面支持： 通过可选的 Chrome 扩展，支持跨标签页的复杂任务执行

快速安装、使用

PageAgent 的使用也非常简单，官方提供了多种方式：

1.最快体验——Demo LLM

该方式通过官方Demo CDN接入，直接使用免费测试LLM API，零配置即可快速体验，适合技术评估，注意该接口有频率和提示词限制。

全球节点

<script src="https://cdn.jsdelivr.net/npm/page-agent@1.5.2/dist/iife/page-agent.demo.js" crossorigin="true"></script>

国内节点

<script src="https://registry.npmmirror.com/page-agent/1.5.2/files/dist/iife/page-agent.demo.js" crossorigin="true"></script>

2.NPM安装

推荐实际项目开发使用该方式，可灵活配置自定义LLM服务，步骤如下：

1. 安装依赖包

npm install page-agent

2. 引入并初始化配置

import { PageAgent } from 'page-agent'// 初始化配置，推荐使用qwen3.5-plus，也可替换为其他兼容OpenAI接口的模型const agent = new PageAgent({  model: 'qwen3.5-plus',  baseURL: 'https://dashscope.aliyuncs.com/compatible-mode/v1',  apiKey: 'YOUR_API_KEY', // 替换为自己的LLM API密钥  language: 'zh-CN' // 配置使用语言})

3. 启动并使用

// 方式1：程序化执行自然语言指令await agent.execute('点击登录按钮，然后将用户名填写为admin');// 方式2：展示交互面板，让用户手动输入指令agent.panel.show()

3.Chrome扩展

Chrome扩展为 可选依赖 ，不影响核心单页功能使用，安装后可实现跨Tab、多页面自动化操作，还能实现浏览器级的导航与控制

Jamdou建议

Page-Agent 没有走传统 Web 自动化路线，而是直接把 AI Agent 放进网页本身，这样接入成本极低、运行效率更高、自动化稳定性更好，并且非技术用户也能使用。

开源君觉得，“网页内嵌 Agent”很可能会成为未来 Web 应用的重要方向。

更多细节功能，感兴趣的可以到项目地址查看：

https://github.com/alibaba/page-agent