大家好，我是何三，独立开发者
你有没有想过一个场景——你打开一个网页，对它说一句"帮我填一下这个表单"，然后它就真帮你填了？
不装插件，不写Python，不跑什么无头浏览器。
就一个前端页面，一行JS脚本。
听起来像在吹牛对吧？
但阿里最近开源的这个 Page Agent，就是干这事的。GitHub 上已经飙到了 2.5万 Star，而且还在涨。
这玩意儿到底解决了什么问题
做过内部管理系统的人肯定懂——那些ERP、CRM、后台管理页面，表单多到你头皮发麻。
一个订单录入流程，点20下鼠标是起步价。
老板还觉得："不就点点点吗？有什么累的。"
你心里骂了八百遍，但又没办法——这些破系统压根没开放API，自动化？不存在的。
以前想自动化操作网页，路子就那么几条：
- Selenium / Puppeteer：重量级选手，装驱动、写定位器、跑headless浏览器，折腾半小时就为了省5秒钟。
- 浏览器扩展：功能受限，要申请权限，用户还要手动安装。
- RPA（机器人流程自动化）：这玩意儿更离谱，按年付费，一套下来够你吃一年猪脚饭。
说白了，都太重了。
Page Agent 的做法简单到离谱：在你的网页里塞一个AI Agent，它能直接操作DOM，帮你点击、输入、提交。
一切都在页面内完成，不需要任何外部依赖。
就一行脚本的事。
怎么做到的？我用人话给你讲明白
它的原理，其实没你想的那么玄乎。
当你把 Page Agent 的脚本引入页面后，它会做三件事：
第一步，把整个页面的DOM结构"翻译"成一份文本清单。
就是把你看到的按钮、输入框、下拉菜单，全部转成类似 "id=login-btn, type=button, text=登录" 这样的文本描述。
第二步，把这个清单丢给大模型（LLM）。
你跟它说"帮我点登录按钮"，大模型一看清单，就知道该操作哪个元素了。
第三步，执行操作。
大模型返回"点击id为login-btn的元素"，Page Agent 就在页面上帮你点了。
整个过程不需要截图，不需要视觉识别，纯文本搞定。
说白了就是：以前靠眼睛看屏幕，现在靠文字描述来"看"——反正AI又不需要真的看到画面，你告诉它页面上有什么就行了。
说实话，刚看到这个设计的时候我愣了一下。
为什么不走截图的路线？现在多模态模型不是已经很成熟了吗？
后来一想，这反而是最聪明的选择——截图方案要传图片，延迟高、Token贵、还得用多模态模型。纯文本呢？速度快，成本低，普通模型就能跑。
搞技术的，能省则省，别装逼。
给你看个实际的例子
怎么用？真的就一行代码。
<script
src="https://cdn.jsdelivr.net/npm/page-agent@1.11.0/dist/iife/page-agent.demo.js"
crossorigin="anonymous"
></script>
把这个标签加到你的HTML里，刷新页面，右下角就会多一个对话框。
你输入"点击登录"，它就点了；你说"输入用户名admin"，它就打了。
如果你觉得Demo不够用，想接自己的大模型，NPM装一下：
npm install page-agent
然后几行代码搞定：
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: 'zh-CN',
})
await agent.execute('点击登录按钮')
是不是简单到离谱？
而且它支持市面上几乎所有主流模型，OpenAI、Claude、通义千问、DeepSeek……甚至你本地跑的Llama都行。你自己选模型，它只管干活。
最让我觉得离谱的场景
聊几个我觉得真的很有用的场景。
第一个，SaaS AI Copilot。
你在做一款SaaS产品，想加个AI助手。传统做法是什么？后端接大模型API，设计函数调用，跟前端联调，折腾一两个月。
Page Agent呢？一行脚本，没了。
用户在页面上说"帮我创建一个新订单"，Agent自动帮你填表单、点提交。后端一行代码都不用改。
这简直是SaaS创业者的作弊器。
第二个，智能表单填写。
你们公司的CRM系统，每次录入客户信息要点十几个下拉框、填一大堆输入框。用Page Agent，一句"录入张总的信息，手机号138xxxx"就搞定了。
第三个，无障碍访问。
有些用户不方便用鼠标，屏幕阅读器又不好用。Page Agent直接支持语音指令——你说什么，它就操作什么。
这个场景我真没想到，还是看了他们GitHub的讨论区才知道的。
有人在帮行动不便的用户配置这个，代替那些昂贵的无障碍辅助工具。
所以说，技术这东西，用对地方真的能帮到人。
如果你对这类"AI操控浏览器"的东西感兴趣，还有个项目叫 browser-use——这也是 Page Agent 的前身和灵感来源。
不过 browser-use 走的是服务端路线，需要 Python + headless 浏览器，适合后端自动化。
Page Agent 走的是客户端路线，纯前端，适合嵌入到你的产品里。
一个在服务器端替你跑，一个在浏览器里帮你点。
场景不同，但都很有意思。
另外，如果你想看更多这种"一行代码搞定大问题"的项目，我上次写过《GitHub上那些让你相见恨晚的前端工具》，关注后回复「工具」就能看到。
在哪里找到它
项目地址在这里：https://github.com/alibaba/page-agent
官方文档也很详细，有中文版：https://alibaba.github.io/page-agent/docs/introduction/overview
对了，他们还有 Chrome 扩展版本，如果你的操作需要跨多个标签页的话，可以直接装扩展。
还有 MCP Server（Beta），能让Cursor、Claude Desktop这些Agent客户端直接控制你的浏览器。
最后说两句
Page Agent 这种项目，最打动我的不是技术有多深——说实话它的实现并不复杂。
打动我的是"减负"的理念。
别人都在做重的东西——复杂的Agent框架、庞大的自动化平台。
阿里反其道而行，做了一个轻到不能再轻的解决方案。
一行脚本，给任何网页装上AI大脑。
你要是做SaaS的、写后台的、或者单纯觉得每天点击鼠标点到手酸——去试试，装不装都行，但看一眼不会亏。
本文使用 MGO 编辑并发布
关注“何三笔记”，回复“mgo” 免费下载使用
