告别无脑点鼠标!阿里开源隐形AI助手,直接住进浏览器网页里

不知道你有没有这种时刻：

对着后台页面，机械重复一模一样的点击。

填报销表单、勾选订单标签、挨个关闭弹窗、导出周报数据……明明是毫无技术含量的动作，每天要耗掉半小时，纯纯消耗心力。

想偷懒用自动化工具，门槛又高到劝退：

要装Python、要搭浏览器环境、要写几十行代码，好不容易弄好，网站改个按钮位置直接报废。

直到挖到阿里这款低调开源神器 page-agent.js。

看完直接颠覆认知：原来操控网页，根本不需要外部工具。

它不是插件、不是独立软件、不用翻墙、不用复杂配置。

只是一段轻量JS代码，注入网页后，AI直接和网页融为一体。你打字下达指令，网页自己就会动。

市面上所有网页AI，都走了弯路

目前主流的网页自动化AI，分两类，全是硬伤：

第一种：外挂式自动化（Playwright/各类浏览器插件）

相当于你站在车窗外面，伸手掰方向盘开车。

需要额外调用浏览器内核，占用大量内存，页面稍微卡顿就操作失败，普通人完全不会部署，只适合专业程序员。

第二种：识图AI Agent（现在很火的网页智能体）

相当于对着车窗拍照，看着照片指挥开车。

全靠截图、OCR识别按钮，深色模式、透明图标、按钮挪动几像素，立马识别错误。而且频繁截图极其耗流量、耗大模型token，长期用成本很高。

而 Page Agent 是第三种思路：坐在车里面开车

它读取网页原生底层DOM结构，不看图片、不拍截图，直接读懂网页每一个输入框、按钮、下拉菜单。

网页样式改了、颜色换了、位置微调，它完全不受影响，准确率吊打识图类工具。

通俗总结：别的AI是隔着玻璃指挥网页，它直接住进网页内部。

真正让人上瘾的，是它极致的低门槛

我接触过无数前端自动化工具，Page Agent是唯一做到「全员可用」的。

不懂代码的打工人：书签一键即用

不需要写一行代码。

进入官方页面，拖拽一个书签到浏览器收藏栏。后续打开任意内网OA、商家后台、业务系统，点一下书签，页面右下角弹出对话窗口。

直接大白话下达指令就行：

• 把本月所有退款订单筛选出来，导出表格
• 填写差旅费报销单，补齐所有必填项
• 清除页面所有红点通知，已读全部消息

全程零学习成本，五分钟上手。

前端/B端开发者：一行代码接入业务

很多企业后台、SaaS系统都缺智能引导能力。

以往自研网页AI助手，要投入几周开发。现在引入一行CDN链接，一分钟完成接入。

不用改动原有业务逻辑、不用重构代码、不用搭建后端服务。

落地场景非常实用：

• 新人入职不用看万字操作手册，AI直接演示操作步骤
• 给用户提供自助答疑，一问就自动演示退款、改地址流程
• 满足无障碍合规，帮助视障用户语音操控网页

大家最关心：安全、合规、隐私问题

开源工具最怕踩坑泄密，结合官方说明+实测，把普通人能看懂的红线全部说清楚，通俗易懂不绕弯：

1、数据会不会泄露？

分两种用法：连接公网大模型（GPT、通义千问），网页文字、表单数据会上传模型接口；处理薪资、身份证、合同等敏感数据，直接搭配本地Ollama模型，数据全程不出内网，零外泄风险。

2、会不会误删数据、乱操作？

原生自带安全锁：删除、提交、支付类高危动作，必须人工点击确认才能执行，不会全自动乱操作。还能划定操作范围，禁止AI改动页面核心数据。

3、能不能商用？有没有版权风险？

标准MIT开源协议，免费商用、允许二次修改、无需署名、无后续收费，阿里官方长期维护，star已经1.8w+，社区稳定。

4、绝对不能碰的红线

禁止用来违规爬取网站隐私数据、绕过登录风控、批量薅平台资源。仅限个人办公、企业内部自用自动化，合规使用无任何法律问题。

写在最后

这两年AI工具百花齐放，但绝大多数都是伪需求。

要么过度复杂，普通人用不起；要么体验拉胯，识别频频出错。

Page Agent最打动人的，是回归本质：用最简单的技术，解决最琐碎的人力内耗。

不用折腾环境、不用学习代码、不用忍受识图bug。

让网页听懂人话，自动做完重复琐事，把时间留给真正有价值的事。

❤️ 欢迎点赞、在看，分享给天天重复点鼠标的同事

好文推荐

• Windows 用户必装神器！一键拥有 Mac 同款空格预览，效率直接翻倍
• Windows 关机还要点来点去？教你 2 个 1 秒关机技巧，朋友看了都要学！
• 90% 的人都搞错了！固态硬盘千万别开这个设置，否则越用越卡还减寿命