从网页内部做AI操控：阿里page-agent的DOM级自动化方案

现在让 AI 帮你操作网页的工具越来越多了，自动填表、自动点按钮、自动走流程，听起来都挺美好。但真正用过就知道，这类工具大部分都有一个共同问题：慢，而且经常点错地方。

原因不复杂。目前市面上绝大多数 AI 网页操控工具的工作方式都差不多：先给网页截一张图，把图发给 AI 让它看，AI 看完以后告诉程序"点这个位置"，然后程序去模拟鼠标点击。整个过程就像 AI 在隔着一层玻璃看你的屏幕，然后隔空指挥——看得不够清楚就容易点偏，页面一复杂就更容易出错。

阿里开源的 page-agent，6500+ Star，做法完全不一样。

从里面做，而不是从外面看

page-agent 不是从外面看你的网页，而是直接跑在网页里面。跑在里面意味着它不需要截图，不需要猜"这个按钮大概在屏幕什么位置"。页面上有什么按钮、有什么输入框、每个东西叫什么名字，它直接就知道。

打个比方，别的工具是闭着眼睛摸，它是睁着眼睛拿，所以速度快，准确率也高不少。

怎么用

如果只是想试试效果，往网页里加一行代码就能跑。它还有个在线 Demo，打开就能体验，不用装任何东西。

正式使用的话，一行命令安装：

npm install page-agent

模型方面，通义千问、DeepSeek 这些国产模型都能用，不需要特别贵的。

它的短板

因为它住在网页里面，所以只能操作它所在的那个页面。想让它同时操作好几个网页，得额外装一个浏览器插件，目前这个插件还比较早期。

还有一点，如果一个网页的代码写得比较乱，或者页面是用图片画出来的那种，它就不太认得了。这种情况下，反而是截图的方案更有优势。所以这两种路线各有各的适用场景。

适用场景

这个项目有趣的地方不在于功能多强，而在于它提供了一个不同的思路。大家都在想怎么从外面更好地操控浏览器，它换了个方向从里面做。在一些场景下这个方向确实更合理——比如你自己做了一个网站，想给用户加个 AI 助手帮他们自动填表、自动操作，用这个工具加几行代码就搞定了，不用搭一套复杂的后台。

它没有想着什么都干，就把"在网页内部做 AI 操控"这一件事做好。

GitHub 项目地址：https://github.com/alibaba/page-agent