Page Agent
为网页嵌入可用自然语言操作界面的 GUI 智能体。
按维度查看评分与理由
证据显示：项目在浏览器内运行，无需特殊权限，但未明确说明权限最小化原则；有用户确认机制（如确认对话框）但未详细说明；数据流透明度不足，未说明数据如何被处理；敏感数据处理未明确；依赖安全未提供审计信息；外部影响（如DOM操作）有说明但未深入；回滚机制未提及；来源归属有MIT许可证和致谢，但发布者未验证。扣分原因：缺乏具体实现细节和证据。
证据显示：项目结构清晰，文档与代码一致；依赖通过npm管理，有CI流程；错误消息未详细说明。扣分原因：错误处理细节不足。
证据显示：面向多种场景（SaaS、表单填充、无障碍等），能力边界有说明（如仅客户端），触发方式明确（自然语言），环境适配良好（支持多种模型）。扣分原因：触发精度未详细说明。
证据显示：信息架构清晰，安装说明详细，命名稳定，有示例和FAQ，已知限制部分提及，许可证明确，版本号存在但无changelog，维护责任有说明。扣分原因：缺少changelog和已知限制的详细说明。
证据显示：输出可用性高（自然语言指令），边际价值明显（简化交互），成本效益合理（无需后端）。扣分原因：缺乏实际运行验证。
证据显示：部分声明有文档支持，但缺乏独立验证；事实与推断未明确区分。扣分原因：缺乏可追溯性和交叉验证。
- 发布者身份未验证，需谨慎对待。
- 依赖安全未提供审计信息，建议检查依赖漏洞。
- 数据流和敏感数据处理细节不足，需进一步审查。
- 回滚机制未提及，操作可能不可逆。
这个 Agent 能做什么，适合哪些场景？
Page Agent 是一个可嵌入任意网页的 JavaScript GUI 智能体库。开发者可通过一个脚本或 npm 包把 PageAgent 加入客户端网页，并用自然语言驱动页面操作。它以文本方式处理 DOM，不依赖截图、多模态模型或特殊权限。默认工作边界是客户端网页增强，而非服务端自动化；跨标签页任务可借助可选 Chrome 扩展，仓库还提供处于 Beta 阶段的 MCP Server。它支持自带模型，README 表示可接入主流模型及本地部署模型。
页面加载 Page Agent 后，应用可创建 new PageAgent(...)，传入 model、baseURL、apiKey 和可选的 language。随后调用 await agent.execute('Click the login button')，由智能体基于页面 DOM 的文本表示执行相应界面操作。最快的试用方式是加载 page-agent.demo.js，它会自动创建演示智能体；在 URL 后加入 ?autoInit=false 可关闭自动初始化并自行实例化 window.PageAgent。可选 Chrome 扩展用于跨浏览器标签页任务，Beta MCP Server 用于让外部 MCP 客户端控制浏览器。
- SaaS 产品团队在现有 Web 应用中嵌入自然语言 Copilot，而不重写后端。
- ERP、CRM 或管理后台的用户用一句指令完成原本需要多次点击的表单流程。
- 需要语音命令或屏幕阅读器辅助的用户，以自然语言操作 Web 应用。
- 需要在多个浏览器标签页之间完成任务的用户，配合可选 Chrome 扩展使用。
- 使用 MCP 客户端的团队，通过 Beta MCP Server 控制浏览器。
这个 Agent 有哪些优点和局限？
- 直接在页面内运行，无需浏览器扩展、Python 或无头浏览器即可完成基础集成。
- 采用文本式 DOM 操作，不要求截图、多模态 LLM 或特殊权限。
- 既提供 npm API，也提供可直接嵌入的 IIFE 演示脚本。
- 可通过 Chrome 扩展扩展到多标签页任务，并提供 Beta MCP Server 对接外部客户端。
- 明确定位为客户端网页增强，不是服务端自动化方案。
- 自带模型接入需要应用配置模型服务地址、模型名和 API 密钥。
- 演示 CDN 所用免费测试 LLM API 仅供技术评估，使用时须接受相应条款。
- 跨页面任务依赖可选 Chrome 扩展；从外部控制浏览器的 MCP Server 仍为 Beta。
如何安装或部署这个 Agent？
安装包：npm install page-agent。在浏览器端代码中导入 PageAgent，并准备可访问的模型服务、模型名、baseURL 与 apiKey。也可直接加载演示脚本：<script src="https://cdn.jsdelivr.net/npm/[email protected]/dist/iife/page-agent.demo.js" crossorigin="anonymous"></script>；该演示 API 仅供技术评估，并受其条款约束。
如何使用这个 Agent？
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',
})
await agent.execute('Click the login button')这个 Agent 与同类方案有什么区别？
README 说明其 DOM 处理组件和提示词源自 browser-use，并对该项目的网页自动化与 DOM 交互模式表示致谢。
常见问题
Page Agent 是在服务器上运行的吗？
是否必须使用某一家模型供应商？
qwen3.5-plus 和兼容模式 API 地址。