Page Agent: GUI agent AI trong trang cho mọi website
alibaba/page-agentPage Agent là một GUI agent AI trong trang mã nguồn mở của Alibaba. Bạn nhúng một script JavaScript vào một trang web và nó cho trang đó một agent ngôn ngữ tự nhiên của riêng mình — người dùng gõ điều họ muốn, và agent thao tác giao diện giúp họ, tất cả ngay trong trang.
Hãy chọn Page Agent nếu bạn muốn thêm một agent ngôn ngữ tự nhiên vào chính web app của mình mà không phải ship một browser extension hay chạy headless browser. Bỏ qua nếu bạn cần tự động hóa các site bên thứ ba mà bạn không kiểm soát, hoặc muốn một agent dựa trên thị giác — Page Agent đọc DOM dưới dạng văn bản, không phải ảnh chụp.
Vấn đề nó giải quyết
Phần lớn các công cụ 'AI điều khiển trình duyệt' sống bên ngoài trang: một browser extension, một tiến trình Playwright headless, hoặc một model đa phương thức đọc ảnh chụp. Cách đó nặng nề khi ship cho chính người dùng của bạn, cần thêm quyền, và thường không nhúng trực tiếp được vào sản phẩm bạn đang chạy.
Đây là gì?
Page Agent là một GUI agent AI trong trang mã nguồn mở (giấy phép MIT) viết bằng TypeScript, từ Alibaba. Nó chạy hoàn toàn bằng JavaScript trong trang — không extension, không Python, không headless browser. Nó thao tác trang qua cách đọc DOM dưới dạng văn bản (không ảnh chụp hay LLM đa phương thức), và bạn tự mang LLM, kể cả model chạy cục bộ. Một Chrome extension tùy chọn và một MCP server bản beta mở rộng nó cho các tác vụ nhiều trang.
Vì sao đang được chú ý
Nhúng một agent thẳng vào trang web — một script, không extension, tự mang model — là một câu trả lời nhẹ hơn cho AI trong sản phẩm so với stack extension-và-headless-browser mà đa số công cụ dùng. Page Agent đến từ Alibaba, mang huy hiệu Trendshift, và có một thảo luận trên Hacker News, cùng nhau đưa lời chào 'GUI agent sống trong trang web của bạn' tới nhiều lập trình viên.
Tính năng chính
- ✓Chỉ JavaScript trong trang — không browser extension, không Python, không headless browser để chạy
- ✓Thao tác DOM dựa trên văn bản thay vì ảnh chụp, nên không cần LLM đa phương thức hay quyền đặc biệt
- ✓Tự mang LLM, kể cả model chạy cục bộ, theo README
- ✓Một Chrome extension tùy chọn cho các tác vụ nhiều trang
- ✓Một MCP server bản beta để nối tới hệ sinh thái agent rộng hơn
- ✓Dấu chân nhỏ mà bạn thêm vào một trang sẵn có thay vì một ứng dụng riêng
Trường hợp dùng tốt nhất
- •Thêm một trợ lý ngôn ngữ tự nhiên thao tác giao diện web app của chính bạn cho người dùng
- •Để người dùng hoàn thành một form hay luồng nhiều bước bằng cách mô tả bằng lời
- •Nhúng một agent vào sản phẩm mà không phải ship và bảo trì một browser extension
- •Điều khiển một giao diện bằng LLM host cục bộ khi dữ liệu không được rời trình duyệt
Cách cài đặt / dùng thử
Page Agent được công bố trên npm với tên `page-agent`. Lời chào cốt lõi của README là một script trong trang cho một trang web agent của riêng nó, nên bạn thêm nó vào JavaScript của site chứ không cài một ứng dụng riêng. Cho dùng nhiều trang có một Chrome extension tùy chọn và một MCP server bản beta; xem tài liệu tại alibaba.github.io/page-agent để thiết lập.
Cách sử dụng
Bạn nhúng Page Agent vào trang web và cấu hình nó với LLM của riêng bạn (chính thống hoặc cục bộ). Người dùng sau đó gõ điều họ muốn bằng ngôn ngữ tự nhiên và agent đọc DOM dưới dạng văn bản rồi thao tác giao diện. Với tác vụ trải nhiều trang, Chrome extension tùy chọn hoặc MCP server bản beta mở rộng nó vượt khỏi một trang.
Điểm mạnh
- ✓Ship dưới dạng một script trong trang — không extension, headless browser hay runtime thêm cho người dùng
- ✓Cách tiếp cận DOM dựa trên văn bản tránh ảnh chụp, model đa phương thức và quyền đặc biệt
- ✓Hoạt động với LLM của riêng bạn, kể cả model cục bộ, nên dữ liệu có thể ở lại trình duyệt
- ✓Giấy phép MIT và nhỏ gọn, dễ nhúng vào một sản phẩm sẵn có
Hạn chế & rủi ro
- △Nó sống bên trong trang của bạn, nên dành cho app bạn kiểm soát — không phải tự động hóa site bên thứ ba
- △Đọc DOM dựa trên văn bản có thể chật vật với canvas, widget tùy biến nặng, hoặc markup không ngữ nghĩa
- △Bạn cung cấp và trả tiền cho LLM; chất lượng phụ thuộc vào model bạn nối
- △Tự động hóa nhiều trang cần Chrome extension tùy chọn hoặc MCP server vẫn còn beta
Lựa chọn thay thế
Ai nên thử — và ai nên bỏ qua
Các đội front-end và sản phẩm muốn nhúng một agent ngôn ngữ tự nhiên vào chính web app của mình với dấu chân tối thiểu, dùng LLM của riêng họ. Nếu bạn cần tự động hóa các website bạn không sở hữu, hoặc cụ thể muốn một agent dựa trên ảnh chụp/thị giác, một công cụ như Skyvern hợp hơn cách tiếp cận DOM-văn-bản trong trang của Page Agent.
Câu hỏi thường gặp
Page Agent là một GUI agent AI trong trang mã nguồn mở của Alibaba. Một script JavaScript cho một trang web agent ngôn ngữ tự nhiên của riêng nó, thao tác giao diện giúp người dùng, mà không cần extension hay headless browser.
Không. README nói nó chạy bằng JavaScript trong trang, không cần extension, Python hay headless browser. Một Chrome extension tùy chọn có cho các tác vụ nhiều trang.
Nó tự-mang-LLM và hoạt động với hầu hết model chính thống, kể cả model chạy cục bộ, theo README, vì nó đọc DOM dưới dạng văn bản thay vì cần một model đa phương thức.
Nó được thiết kế để sống trong chính trang của bạn, nên hợp với app bạn kiểm soát. Để tự động hóa site bên thứ ba, một công cụ tự động hóa trình duyệt như Skyvern hợp hơn.