阿里巴巴开源Page Agent，帮助AI理解网页

多年来，开发浏览器自动化工具的开发者们常常感觉自己像是在不断重复造轮子。传统方法——截取屏幕截图供AI分析，或使用低级协议模拟点击——往往在网页结构稍有变化时就出现问题。现在，阿里巴巴开源了一个名为Page Agent的JavaScript客户端库，它采用了一种不同的方法：不是从外部破解网页，而是让大语言模型直接“读取”页面的内部DOM结构。

Page Agent的工作原理

核心创新在于团队所谓的“DOM脱水”。Page Agent并非截取屏幕截图并进行昂贵的多模态分析，而是在网页内部运行。它将复杂的DOM树压缩成一个轻量级的纯文本映射，称为FlatDomTree。可以把它想象成绘制一张高精度的交互地图给AI——模型不需要处理视觉渲染，只需使用这张简化地图就能准确点击按钮、填写表单以及执行其他复杂操作。

开发者为何青睐它

由于Page Agent直接在浏览器环境中运行，它自然继承了所有cookie、会话状态和登录凭据。这意味着开发者不再需要在后端处理身份验证流程。该库设计为高度兼容，可与任何支持标准接口的大语言模型无缝协作。无论你是为SaaS产品构建智能副驾驶、自动化数据收集，还是改善网页可访问性，Page Agent都提供了一种更高效、更具成本效益的替代方案。

局限性与安全性

当然，Page Agent并非万能灵药。开发团队坦诚其当前专注于单页面交互。对于支付或数据修改等高风险操作，开发者仍需实施严格的服务器端验证。为了保持稳定，Page Agent使用了一种提示触发的权限控制机制，为自动化流程增加了基本的安全层。

这对未来意味着什么

Page Agent现已在GitHub上以MIT许可证开源。借助这一工具，开发者可以告别昂贵的多模态计算成本，转而通过实用的工程手段将真正“懂网页”的智能体嵌入到应用中。这标志着AI网页自动化正进入一个新阶段——更轻量、更易用，并已准备好大规模普及。

关键要点

• Page Agent使用“DOM脱水”将网页结构转换为适合LLM的轻量级文本格式。
• 它在浏览器内运行，继承会话状态，消除了后端身份验证的麻烦。
• 兼容任何标准LLM接口，集成简单直接。
• 最适合单页面交互；高风险任务仍需服务器端验证。
• 以MIT许可证开源，标志着向实用、低成本的AI自动化转变。