阿里巴巴开源了 page-agent，今日 GitHub Trending 获得 1215 颗星，累计 5,082 星。
核心特点
page-agent 是一个纯 JavaScript 实现的 in-page GUI Agent，直接在浏览器内运行：
- 无需截图：不依赖视觉识别，直接操作 DOM 和页面元素
- 自然语言指令：用
"点击登录按钮，然后填写用户名"这样的指令驱动操作 - 零外部依赖：不需要 Playwright、Selenium 或任何额外服务
- TypeScript 实现：轻量可嵌入
与现有方案的差异
现有的 Web GUI Agent（如 Browser Use、Playwright MCP）通常依赖截图+视觉模型来”看”页面，延迟高且成本大。page-agent 直接访问 DOM 结构，在速度和准确性上更优——代价是只能操控公开可见的元素。
应用场景
自动化测试、RPA 替代、AI 辅助填表、浏览器扩展开发——任何需要以编程方式操控网页的场景都可以用。