一行脚本快速试用
- 在网页中引入 page-agent 的 demo IIFE 脚本（CDN）
- 使用官方免费 Demo LLM 自动创建 Agent 进行技术评估
alibaba/page-agent
开源 JavaScript 页面内 GUI Agent，用自然语言直接操控网页界面
开源 JavaScript 页面内 GUI Agent，用自然语言直接操控网页界面
产品定位
Page Agent 的定位是客户端网页增强，而非服务端自动化，选型时需注意这一边界：它解决的是在网页内通过自然语言驱动界面操作的问题，不适用于脱离浏览器的后端流程自动化。项目以 MIT 许可证开源，DOM 处理组件与提示词源自 browser-use 项目。模型接入采用自带方式，兼容多数主流模型，也可通过 Ollama 等本地部署方案运行；官方提供的免费 Demo LLM 仅限技术评估用途。跨标签页的多页面任务需要可选的 Chrome 扩展，MCP Server 目前处于 Beta 阶段，评估相关能力时应留意其成熟度。
适合用户
- Web 开发者
- SaaS 产品团队
- 无障碍应用开发者
- Agent 应用开发者
功能亮点
自然语言控制网页界面
通过自然语言指令驱动页面内 GUI 操作，例如执行“点击登录按钮”等指令。
基于文本的 DOM 操作
以文本方式处理和操作 DOM，无需截图或多模态大模型。
自带大模型（BYO LLM）
可接入多数主流大模型，包括本地部署模型（如通过 Ollama）。
Chrome 扩展（多页面任务）
可选的 Chrome 扩展，将 Agent 能力扩展到跨浏览器标签页的多页面任务。
MCP Server（Beta）
提供 Beta 版 MCP Server，允许外部 Agent 客户端控制浏览器。
使用步骤
npm 编程集成
- 执行 npm install page-agent
- 导入 PageAgent 并配置 model、baseURL、apiKey、language
- 调用 agent.execute('指令') 执行自然语言操作
本地开发与测试
- 满足前置条件（macOS/Linux/WSL、Node.js ^22.13 || >=24、npm >=11）
- npm i 安装依赖，npm start 启动网站开发服务器
- 在仓库根目录创建 .env 配置自有 LLM API（含 Ollama 示例）并重启开发服务器
适用场景
SaaS AI 副驾驶
SaaS 产品团队
用少量代码在产品中内置 AI 副驾驶，无需重写后端。
智能表单填写
企业应用开发者
将多次点击的工作流压缩为一句话指令，适合 ERP、CRM 和管理系统。
无障碍访问
无障碍应用开发者
让任何 Web 应用可通过自然语言、语音指令和屏幕阅读器访问。
多页面 Agent
Agent 应用开发者
通过 Chrome 扩展将自有 Web Agent 的能力扩展到跨浏览器标签页。
MCP 浏览器控制
Agent 应用开发者
允许 Agent 客户端通过 MCP Server 控制浏览器。
访问与价格
可用状态: 当前可用
价格信息: 开源
支持平台: API, 浏览器扩展, 自托管
价格说明: 项目以 MIT 许可证开源，可免费使用；官方另提供仅限技术评估的免费 Demo LLM 测试 API。
官方入口
常见问题
使用 Page Agent 需要浏览器扩展或 Python 吗？
不需要。仅需页面内 JavaScript，一切都在网页内完成；Chrome 扩展是用于多页面任务的可选项。
可以使用哪些大模型？
支持自带大模型，兼容多数主流模型，包括本地部署的模型（文档给出 Ollama 配置示例）。
官方 Demo LLM 是免费的吗？
是免费的测试 API，但仅限技术评估用途，使用需同意官方条款。
Page Agent 采用什么许可证？
MIT 许可证，部分 DOM 处理组件与提示词源自 browser-use 项目。
来源核验
资料核验于 2026-09-01