阿里巴巴开源Page Agent：让大模型直接“读懂”网页DOM

浏览器自动化开发里，开发者似乎总在重复“造轮子”。复杂截图或底层协议驱动，常常因为网页结构动态变化而失效。阿里巴巴开源了一款名为 Page Agent 的 JavaScript 客户端库，提供了一种新思路：它不再从外部暴力破解网页，而是让大模型直接运行在网页内部，读懂 DOM 结构。

Page Agent 的核心技术叫“DOM 脱水”。传统方案为了让 AI 识别页面，需要对网页截屏并进行多模态分析，开销大，还容易丢失关键交互信息。Page Agent 直接在网页内运行，把冗杂的 DOM 树压缩成轻量化的“FlatDomTree”纯文本映射。这等于为 AI 绘制了一份高精度的交互地图，模型无需处理复杂的视觉渲染，仅凭这份精简的结构映射，就能完成按钮点击、表单输入等操作。

对开发者来说，内嵌式设计带来了明显便利。由于直接运行在网页环境下，它天然继承了所有 Cookie、会话状态与登录凭证，省去了后端处理复杂验证流程的麻烦。项目采用开放的兼容设计，能无缝接入任何支持标准接口的大语言模型。在 SaaS 产品智能副驾、自动化数据采集、提升 Web 应用无障碍交互等场景中，Page Agent 提供了一种高效且性价比突出的替代方案。

当然，Page Agent 并非万能钥匙。开发团队在开源文档中明确指出，这个库目前更专注于单页面内的高效交互。在处理涉及支付或数据篡改等高安全敏感操作时，开发者仍需在服务端实施严格的逻辑校验。为了系统稳健，Page Agent 在设计中采用提示词触发的权限管控机制，为自动化流程筑起一道初步的安全防线。

目前，Page Agent 已在 GitHub 以 MIT 协议开源。随着这一工具的发布，开发者有望告别昂贵的多模态算力消耗，以更务实的工程手段，为应用植入真正具备“网页感知力”的智能体。AI 网页自动化技术，可能正进入一个轻量化、普及化的新阶段。