阿里巴巴开源项目Page Agent近日在GitHub发布，这是一个运行于浏览器页面内的JavaScript图形用户界面智能体。其核心创新在于，允许用户直接使用自然语言指令（如“点击登录按钮”或“在搜索框输入关键词”）来操控网页界面，而无需安装任何浏览器扩展或依赖外部工具。该智能体通过文本化的DOM操作与网页元素进行交互，并采用了灵活的“自带大语言模型”架构，意味着开发者可以集成自己选择的LLM来驱动其理解与决策能力。这一技术将人机交互的门槛显著降低，为非技术背景用户提供了自动化操作网页的新范式，同时也为前端自动化测试、无障碍辅助技术及RPA领域带来了新的技术路径。其轻量级、易集成的特性，预示着自然语言交互在Web环境中的普及迈出了实质性一步，是AI代理与日常应用场景结合的重要前沿探索。