文章目录
- 一、概述
- 二、四大核心特性
- 2.1 极简集成(Easy Integration)
- 2.2 基于文本的 DOM 操作(Text-based DOM Manipulation)
- 2.3 自带大模型(Bring Your Own LLMs)
- 2.4 可选的 Chrome 扩展
- 三、项目历史与技术栈
- 四、适用场景(Use Cases)
- 五、技术架构深度解析
- 5.1 整体架构
- 5.2 Monorepo 包结构
- 5.3 Agent 循环机制(Re-act Loop)
- 5.4 数据流
- 六、环境搭建与快速开始
- 6.1 前置要求
- 6.2 方式一:CDN 快速体验(新手推荐)
- 6.3 方式二:NPM 安装(生产环境推荐)
- 6.4 方式三:本地开发(贡献者)
- 七、LLM 集成与模型配置
- 7.1 架构
- 7.2 支持的主要模型
- 7.3 本地模型支持
- 7.4 模型补丁机制(Model Patch)
- 八、DOM 处理机制
- 8.1 核心思想
- 8.2 FlatDomTree 数据结构
- 8.3 DOM 树构建流程
- 8.4 交互元素检测
- 8.5 顶层元素检测(Top Element Detection)
- 8.6 视口过滤(Viewport Filtering)
- 8.7 特殊元素处理
- 8.8 DOM 树输出示例
- 九、工具系统(Tools)
- 9.1 工具定义结构
- 9.2 内置工具
- 9.3 wait 工具的智能计时
- 9.4 自定义工具
- 9.5 工具设计最佳实践
- 十、Chrome 扩展开发
- 10.1 概述
- 10.2 架构
- 10.3 安装与构建
- 10.4 多标签页协作示例
- 十一、MCP Server
- 11.1 启动
- 11.2 配置文件
- 11.3 MCP Tools
- 11.4 与 Claude Desktop 集成
- 十二、高级用法与最佳实践
- 12.1 任务分解策略
- 12.2 错误恢复
- 12.3 性能优化
- 12.4 API 密钥安全
- 12.5 SaaS 集成示例
- 十三、源码级分析
- 13.1 核心循环源码
- 13.2 系统提示词(简化版)
- 13.3 actions.ts 源码解读
- 十四、测试与调试
- 14.1 测试框架
- 14.2 调试技巧
- 14.3 常见调试场景
- 十五、与同类项目的对比
- 十六、常见问题与故障排除
- 十七、总结
一、概述
在 Web 应用日益复杂、用户操作步骤愈发冗长的今天,"能否用一句话让网页自动完成操作?"正从科幻走向现实。Page Agent是阿里巴巴开源的驻留于网页的 GUI 代理(In-page GUI Agent),其核心理念是——单个 JavaScript 脚本即可让任何网页拥有自己的 AI 代理能力。
根据项目官方定义:
“驻留于网页的 GUI 代理。单个脚本即可让任何网页拥有自己的 AI 代理。”
与 Puppeteer、Playwright、Selenium 等传统浏览器自动化工具不同,Page Agent不需要浏览器扩展、Python 环境、无头浏览器或任何后端服务。它完全运行在用户的浏览器页面内,通过纯 JavaScript 实现对 DOM 的理解和操作。
这篇文章将全面介绍 Page Agent 的架构设计、核心原理、使用方法和最佳实践。
二、四大核心特性
2.1 极简集成(Easy Integration)
仅需一行 HTML 即可集成:
&