PageAgent:一行代码,让网站会「听话」

PageAgent ↗  是阿里巴巴开源的一个网页端 AI 操作员——用一行代码嵌入你的网站，用户就能用自然语言直接「指挥」页面完成操作。它的口号很直白：「你网站里的 AI 操作员」。

核心功能

• •一行代码集成
  不需要后端、不需要无头浏览器，一个 <script> 标签引入就能用。比起 Selenium、Playwright 等需要服务器端部署的方案，门槛低了一个数量级。
• •纯客户端运行
  所有操作都在浏览器内完成，页面 DOM 直接读取和操控，数据不经过第三方服务器。隐私敏感的场景也能放心用。
• •自然语言驱动
  用户输入「点击登录按钮」「帮我填好这个表单」这样的指令，PageAgent 自动解析页面结构、定位元素、执行操作。不需要写选择器或脚本。
• •人机协同确认
  内置操作确认界面，AI 每次执行关键动作前会弹出预览，用户可以批准或拒绝。不是全自动黑盒，而是「AI 建议 + 人类拍板」。
• •兼容多种 LLM
  支持 OpenAI、Claude、Qwen（通义千问）、DeepSeek、Gemini、Kimi、GLM，也支持通过 Ollama 接入本地模型。自带 API Key（BYOK）架构，用你自己的 key。
• •Chrome 扩展支持
  除了嵌入网页，还提供 Chrome 扩展版本，可以跨标签页操作，适合多页面自动化流程。
• •Bookmarklet 模式
  注册为书签栏小工具，在任意网页上一键激活，不需要改动网站代码。
• •智能表单填写
  多步骤的复杂表单，用一句话描述需求就能自动填好。对于 SaaS 产品的用户引导、数据录入场景特别实用。

收费情况：完全开源免费，MIT 协议。官方提供免费 Demo API 供测试（需同意服务条款），正式使用需要自备 LLM API Key。GitHub 上已有 7100+ Star。

我觉得 PageAgent 最有意思的地方在于它的定位——不是替代 Playwright 做自动化测试，而是让普通网站具备 AI 交互能力。想象一下：你做了一个后台管理系统，嵌入 PageAgent 后，运营同事不用学操作流程，直接说「帮我把上周的订单导出成 Excel」，AI 就自动点击筛选、设日期、导出。这种场景对 SaaS 产品的用户体验提升是实实在在的。

纯客户端的架构也是一个亮点。不需要部署额外服务、不需要处理浏览器 session 管理，一个 script 标签搞定。当然局限也有：它基于文本 DOM 解析而非截图识别，碰到 Canvas 渲染或高度动态的页面时可能不够准确。另外 Chrome 扩展目前还不支持 Firefox 等其他浏览器。整体来说，作为阿里开源的项目，完成度相当高，值得开发者试一试。

PageAgent 就介绍到这儿，希望能帮你少踩点坑。