网页控制新范式：阿里开源 Page Agent：让大模型读懂 DOM

在浏览器自动化领域，开发者长期以来不得不依赖 Selenium、Playwright 或 Puppeteer 等外部工具，通过复杂的截图或底层协议来“强行”驱动网页。近日，阿里巴巴开源了一款名为 Page Agent 的 JavaScript 客户端库，为这一流程带来了全新的思路:它将浏览器自动化从外部驱动转变为页面内部的直接操作。

尽管 Page Agent 在易用性上表现亮眼，但开发团队也强调了其技术边界:目前该库聚焦于单页面范围内的交互。同时，出于安全性考量，基于提示词的权限管控（如“禁止自动支付”）属于引导性限制，而非硬性逻辑隔离。因此，对于涉及资金划拨或数据修改等高风险操作，开发者仍需在服务端保留严格的校验机制。

目前，Page Agent 已在 GitHub 以 MIT 协议开源。对于希望快速在自有应用中内嵌 AI 操作能力，又不愿投入高昂多模态模型成本的团队来说，这无疑提供了一个高效且务实的工程选择。