page-agent

用大白话指挥网页干活,省去写脚本的麻烦。

page-agent 是一个运行在浏览器页面内的 JavaScript GUI 智能体,允许用户通过自然语言指令直接控制网页界面。它解决了传统浏览器自动化需要编写复杂脚本的问题,让非技术人员也能轻松操作网页。其核心能力包括:理解自然语言并将其转化为具体的页面操作,如点击、输入、滚动等;支持多步骤任务规划与执行;提供实时可视化反馈,展示智能体的思考与操作过程。项目基于 TypeScript 开发,采用模块化架构,支持通过 MCP(模型上下文协议)集成多种大语言模型,并提供了丰富的 API 供开发者二次开发。它适用于网页自动化测试、数据采集、辅助办公等场景,能显著提升网页操作效率。

开源 free 智能体
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 29169
维护状态 活跃
是否开源 是
定价模式 free

项目数据

分类智能体
开发团队alibaba
所属国家
定价模式free
价格说明开源项目,MIT许可证,免费使用,无付费版本。
访问状态
是否开源是
开源协议MIT
主要语言TypeScript
技术栈/模型agent,ai,ai-agents,browser-automation,javascript,mcp,typescript,web
GitHub 星标★ 29169
30天Star增速
HF 下载量
上线时间2025-09-23 00:00:00
最近更新2026-09-22 00:00:00
维护状态活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数4

使用教程

难度:入门 约 10 分钟 部署方式:库/依赖 3 步

环境要求

  • Node.js 与 npm 环境(用于 npm install)
  • 支持 import 与 await 的现代浏览器页面环境
  • 可访问的大模型服务 API Key(如 DashScope 兼容模式)

安装与启动步骤

  1. 1安装 page-agent 依赖

    在项目目录执行 npm 安装,把 page-agent 作为依赖引入你的前端工程。

    npm install page-agent
  2. 2初始化 PageAgent 实例

    在页面脚本中导入 PageAgent,填入模型名、baseURL、apiKey 与语言,YOUR_API_KEY 需换成你自己的密钥。

    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',
    })
  3. 3执行自然语言指令

    调用 agent.execute 传入自然语言任务,智能体会在页面内自动完成点击等操作,可 await 等待结果。

    await agent.execute('Click the login button')

关键配置

配置项必填说明示例
model是指定所用大语言模型名称qwen3.5-plus
baseURL是模型服务的兼容接口地址https://dashscope.aliyuncs.com/compatible-mode/v1
apiKey是调用模型所需的 API 密钥YOUR_API_KEY
language否智能体交互使用的语言en-US

如何确认成功

页面脚本成功执行 agent.execute 并完成指定操作(如点击登录按钮),无报错即接入成功。

常见问题

Q:需要安装 Python 或无头浏览器吗?

A:不需要。README 明确说明无需 browser extension、python 或 headless browser,全部逻辑都在页面内的 JavaScript 中完成。

Q:需要多模态模型或截图吗?

A:不需要。它采用基于文本的 DOM 操作方式,不依赖截图,也不需要多模态大模型或特殊权限。

Q:可以使用本地部署的模型吗?

A:可以。README 说明支持大多数主流模型,包括本地部署的模型,具体支持列表见官方文档 supported models。

Q:必须安装 Chrome 扩展吗?

A:不必须。Chrome 扩展在 README 中标注为可选(optional),核心用法是通过 npm 安装后在页面内直接调用。

注意事项

  • apiKey 属于敏感信息,示例中的 YOUR_API_KEY 必须替换为你自己的密钥,避免泄露到公开代码库
  • README 为英文文档,中文文档位于 docs/README-zh.md,更多编程式用法见官网文档
  • page-agent 运行在网页内部,需要你的页面环境允许加载并执行该 JavaScript

核心亮点

  • 自然语言直接操控网页,无需编写复杂选择器或脚本,上手门槛极低。
  • 内置任务规划与执行引擎,能自动分解多步指令并逐步完成,如'填写表单并提交'。
  • 可视化操作过程,实时高亮当前操作元素并展示思考链,便于调试和信任。

不足之处

  • 依赖大语言模型 API,每次调用有成本且需要网络,离线场景不可用。
  • 对复杂动态页面(如大量 iframe 或 shadow DOM)的兼容性可能不稳定,需持续优化。

适用场景

  • 自动化测试:用自然语言编写测试用例,快速验证网页功能。
  • 数据录入:自动填写重复性表单,如批量注册或信息提交。
  • 网页数据采集:通过对话指令提取页面结构化数据,无需写爬虫。

替代项目

Playwright MCP、Browser-use、Skyvern

项目介绍

page-agent 是自动化工作流领域的开源项目,由 alibaba 开发,2025 年首次发布。

在全站 13,090 个收录项目中,它的 GitHub 星标数(29,169)位列前 2%,在自动化工作流分类的 509 个项目里位列前 4%。

近 41 天,它的 GitHub 星标从 28,599 增加到 29,169,净增 570。

项目目前处于活跃维护状态,最近一次代码更新于 2026-09-22。MIT许可证,免费使用,无付费版本。从国内网络环境看,可直接访问。

它主要面向的使用场景是:自动化测试:用自然语言编写测试用例,快速验证网页功能。同类可对比的替代方案包括 Playwright MCP、Browser-use、Skyvern。

上一篇:steel-browser

下一篇:skills

同类项目推荐

n8n 开源

拖拽搭建自动化流程,轻松接入 AI 与 400+ 应用,搞定重复工作。

Fair-code workflow automation platform with native AI capabilities. Combine visual b···

★ 205700 2026-08-10
feishu-docx 开源

让 AI 代理轻松读写飞书文档,双向转换 Markdown

Feishu/Lark Docs、Sheet、Bitable <-> Markdown | AI Agent-friendly knowledge base exp···

★ 262 2026-08-09
robotcode 开源

让 Robot Framework 拥有现代 IDE 体验,调试、补全、运行一气呵成。

Open Source Toolkit for Robot Framework, providing Language Server Protocol support,···

★ 301 2026-08-10
puppeteer 开源

用 JavaScript 轻松操控无头浏览器,搞定自动化测试与网页抓取。

JavaScript API for Chrome and Firefox

★ 95609 2026-08-10