AI创作者AMA知无不言
阿里开源了个狠活儿—Page Agent，用自然语言直接操控网页DOM，不用截图、不用多模态模型。.传统浏览器自动化（Playwright、Puppeteer）都是外部驱动，要么截图给多模态模型看，要么通过CDP协议操作。Page Agent反其道而行：以纯JavaScript的形式活在网页内部，把实时DOM"脱水"成FlatDomTree文本映射，让纯文本模型就能精准点击、填表。核心优势是它继承用户session和cookies，不需要独立后端，支持任意OpenAI兼容接口的模型（示例用的qwen3.5-plus）。MIT协议开源，适合在自己的SaaS产品里内嵌AI副驾驶、智能表单填充这类场景。.我的理解：这其实是把"AI操作网页"的能力从工具层下沉到应用层。以前是外挂式的AI帮你操作网页，现在是网页自己长出了AI能力。成本更低（不需要视觉模型），精度更高（直接读DOM），但也有局限，只能单页面操作，跨标签页需要额外扩展。AI的下一站不是做一个通用浏览器助手，而是让每个网页都自带AI操控能力。.你会在自己的产品里加这个吗？
发布于 北京
1
1
1
未登录
友善发言
评论
加载中
