网页控制新范式：阿里开源 Page Agent，让大模型读懂 DOM

在浏览器自动化的世界里，开发者们长期被一个痛点困扰：必须借助 Selenium、Playwright 或 Puppeteer 这类外部工具，通过截图或底层协议“强行”驱动网页，过程既繁琐又容易出岔子。最近，阿里巴巴开源了一个叫 Page Agent 的 Ja vaScript 客户端库，给这条老路带来了全新的玩法——它把浏览器自动化的核心，从外部驱动转成了页面内部的直接操作。相当于，你不必再隔着窗户指挥，而是直接进到屋里动手。

不过话说回来，Page Agent 虽然在易用性上让人眼前一亮，但它的技术边界也很清晰。目前这个库只专注于单页面范围内的交互，跨页面或跨域操作还不在考虑范围。另外值得警惕的是，它基于提示词的权限管控——比如“禁止自动支付”这类设置——本质上是一种引导性限制，而不是硬性的逻辑隔离。换句话说，它帮你划了条线，但能不能守得住，还得靠你。所以，但凡涉及资金划拨或数据修改这种高风险操作，开发者在服务端该有的校验机制一个都不能省，安全底线不能靠前端口头约束。

目前，Page Agent 已经在 GitHub 上以 MIT 协议开源。对于那些想快速给自家应用嵌入 AI 操作能力，又不想花大价钱上多模态模型的中小团队来说，这确实是一个高效又务实的工程选项。