一行脚本给网页装上 AI 助手:阿里开源的 page-agent,已拿下 2.9 万星

01 它想做的事很不寻常

page-agent 是阿里巴巴开源的一个页内 GUI Agent，用 TypeScript 写成，目前在 GitHub 上有 29168 颗 star。README 里那句定位很直白：The GUI Agent Living in Your Webpage——一个住在你网页里的 GUI Agent，一段脚本就能让任意网页拥有自己的 AI 助手。

和常见的浏览器自动化方案不同，它不需要浏览器插件、不需要 Python、也不需要无头浏览器，全部逻辑就跑在页面里的一段 JavaScript 中。

02 三个技术上的取舍

第一，纯文本操作 DOM。它不截图、不依赖多模态大模型，也不需要浏览器的特殊权限——这点让成本和权限门槛都低了不少。

第二，模型自己带。支持主流的多数模型，包括本地部署的那种，你把 model、baseURL、apiKey 填进去就行。

第三，能力可以往外扩。装个可选的 Chrome 插件就能做跨标签页的多页任务，另外还有个 MCP Server（Beta 阶段），可以让你的 Agent 客户端从外部来控制浏览器。

README 原话：把 20 次点击的流程，变成一句话。

03 适合用在哪些场景

给 SaaS 产品加 AI 副驾：几行代码就能上线，不用重写后端。

智能填表：README 里特别点名 ERP、CRM 和各类后台管理系统，把原来要点二十下的流程压成一句话。

无障碍：让任意 Web 应用都能用自然语言操作，配合语音指令和读屏，把使用门槛降下来。

04 怎么上手

最快的办法是一行脚本接入官方的免费 Demo 模型，不过 README 明确标注这仅供技术评估、用的是他们的测试 API，正式用要换成自己的模型。

正式接入走 npm 装包，初始化时传入模型、接口地址和密钥，然后直接下发自然语言指令就行，比如一句话让它去点登录按钮。

05 一点背景补充

这个项目是站在 browser-use 的肩膀上做的（README 里明确致谢，遵循其 MIT 许可），但它的定位是「客户端网页增强」，而不是服务端自动化——想给自家产品嵌一个听话的 AI 助手、又不想搞一套浏览器集群的话，可以看看它。