【page-agent】让网页界面听懂人话，这个纯前端工具几行代码就能搞定
项目概述
这是一个驻留在网页内部的 GUI 智能体，它通过解析纯文本 DOM 来实现对网页界面的自然语言控制。它解决了传统网页自动化需要依赖浏览器扩展、Python 环境或无头浏览器的痛点，让一切交互直接在网页内通过几行 JavaScript 代码即可完成。
主要特性
- 极简集成：无需安装浏览器扩展、Python 环境或无头浏览器，仅需引入页面内的 JavaScript 脚本，一切操作都在当前网页内发生。
- 基于文本的 DOM 操作：摒弃了截图识别和多模态大模型，直接通过文本解析网页结构，无需特殊权限。
- 自带大模型（BYOLLM）：支持接入你自己的大语言模型，灵活控制底层逻辑。
- 跨页任务扩展：提供可选的 Chrome 扩展，支持跨越浏览器标签页的多页面 Agent 任务。
- 外部控制支持：提供 MCP Server（Beta版），允许外部的 Agent 客户端直接控制浏览器。
快速体验与安装
如果你想最快地体验它的效果，可以使用官方提供的免费演示大模型，只需在网页中加入一行 HTML 代码即可（仅供技术评估，需同意其相关条款）：
国内镜像源：
<script src="https://registry.npmmirror.com/page-agent/1.11.0/files/dist/iife/page-agent.demo.js"></script>
对于正式的项目开发，推荐通过 NPM 进行安装：
npm install page-agent
安装后，在代码中导入并初始化，即可用自然语言下达指令：
import { PageAgent } from 'page-agent'
const agent = new PageAgent({
model: 'qwen3.5-plus',
baseURL: 'https://dashscope.aliyuncs.com/compatible-mode/v1',
apiKey: 'YOUR_API_KEY',
language: 'en-US',
})
await agent.execute('Click the login button')
适用场景与目标用户
- SaaS 产品开发者：无需重构后端，只需几行代码就能为自己的产品快速接入 AI 副驾功能。
- 企业内部系统（ERP/CRM）用户与开发者：将原本需要点击20次的繁琐表单填写流程，简化为一句自然语言指令，极大提升后台操作效率。
- 无障碍辅助工具开发者：让任何网页应用都能通过自然语言甚至语音指令进行交互，配合屏幕阅读器，消除操作壁垒，目标用户包含视障或操作不便的人群。
- 多页面自动化需求者：需要跨浏览器标签页执行复杂任务的 Agent 开发者，或希望通过 MCP 协议从外部控制浏览器的客户端开发者。
总结
这个项目巧妙地将复杂的 GUI 自动化简化到了前端层面，通过基于文本的 DOM 操作避开了截图识别的高成本和低效率，对前端开发者极其友好，接入门槛极低。它明确了自身“客户端网页增强”而非“服务端重度自动化”的定位，逻辑清晰且实用。对于需要更深度定制和了解最新进展的开发者，建议访问其主页获取更详细信息。
