阿里巴巴开源 Page Agent：JavaScript 库支持自然语言操控网页 DOM

OmniTools 7月3日消息，阿里巴巴发布开源 JavaScript 客户端库 Page Agent，可在网页中嵌入后通过自然语言指令直接操作 DOM 元素。

该工具不依赖截图或多模态模型，而是将实时 DOM 转换为 FlatDomTree 文本映射，使纯文本大模型能精准执行点击、表单填写等操作。它继承用户 cookies 和会话，无需独立后端，兼容任意 OpenAI 兼容 API 端点（示例中使用 qwen3.5-plus）。

Page Agent 采用 MIT 许可证，适用于 AI 副驾、智能表单填充及无障碍控制等场景，但仅限单页面范围操作，高风险行为仍需服务端验证。