場景一：你做了一個訂購後台，客戶一通電話打來——「這張表我填到第三步就卡住了，到底要點哪裡？」你在電話另一頭，一步一步唸給他聽。場景二：同一個後台，客戶在右下角的對話框打了一句「幫我把上次那張單再下一次，數量改成 20」，畫面自己動起來，欄位一格一格填好，送出。差別在於，第二個後台貼了一段阿里巴巴剛開源的 JavaScript。
一句話結論：page-agent 是阿里巴巴開源的「頁內 AI 操作員」，在你自己的網站貼一段 JavaScript，使用者就能用自然語言（講人話）操作介面，免裝外掛、免改後端，做網站、做後台、做小工具的人最該收。
（截至 2026 年 6 月。page-agent 更新很快，版本與功能以官方 GitHub 為準。）
page-agent 是什麼？一句話搞懂
page-agent 是阿里巴巴（Alibaba）在 GitHub 上開源的一個「頁內 GUI agent」。官方那句標語很傳神：The GUI Agent Living in Your Webpage——一個住在你網頁裡的操作員。它做的事很單純：你把這段 JavaScript 放進自己的網站，網站上就多了一個聽得懂人話的 AI，使用者用一句話描述想做什麼，它就幫忙點按鈕、填欄位、走完多步驟流程。
它採 MIT 授權（最寬鬆那種，商用幾乎沒包袱），主要用 TypeScript 寫成，到 2026 年 6 月已經累積超過 1.8 萬顆 GitHub 星、1,600 多個 fork，最新版本是 6 月 15 日發布的 v1.10.0，更新相當勤。專案的 DOM 處理邏輯建立在知名開源項目 browser-use 之上，但定位完全不同：browser-use 那類工具是「從外面開一個瀏覽器去操作別人的網站」，page-agent 是「裝在你自己的網站裡面，服務你自己的使用者」。
它跟「AI 瀏覽器外掛」「自動化爬蟲」差在哪？
差在它跑在網頁「裡面」，而且只看文字、不看截圖。市面上多數網頁 AI agent 是站在使用者那邊的「外部操作員」：你裝一個瀏覽器外掛或開一個無頭瀏覽器（headless browser，沒有畫面、在背景跑的瀏覽器），它截圖、用多模態模型「看」畫面，再去點。這套很強，但要裝東西、要算力、也慢。
page-agent 反過來，是給「網站主」用的。你把它包進產品程式碼，它直接讀網頁的 DOM（網頁的結構骨架）來理解畫面，純文字判斷該點哪裡，不靠截圖、不需要多模態模型、不要特殊權限。少了截圖和影像辨識這一層，速度更快、也更精準。整個運算在使用者瀏覽器這端完成，資料不必先送到別人的伺服器繞一圈，隱私上比較讓人安心。模型則是「自帶」（Bring your own LLM）：你想接阿里自家的 Qwen、還是 OpenAI、Claude，自己決定。
| 類型 | 怎麼運作 | 誰在用 | 代價 |
|---|---|---|---|
| page-agent（頁內型） | 嵌進你的網站，讀 DOM、純文字操作 | 網站主，服務自家使用者 | 要會貼一段 JS、要接一個 LLM |
| browser-use / Playwright 類 | 從外部開瀏覽器（常為無頭）去驅動網站 | 開發者跑自動化、爬蟲、測試 | 要裝環境、吃算力、跨網站較重 |
| 瀏覽器外掛型 agent | 使用者裝外掛，截圖＋多模態「看」畫面 | 個人想讓 AI 幫自己操作別人的網站 | 要裝外掛、較慢、依賴截圖辨識 |
講白一點：如果你想讓 AI 幫「你自己」去操作別人的網站，你需要的是外掛型或 browser-use 那類工具（我們之前寫過的 Hugging Face smolagents 也偏這個方向）。如果你想讓「你的使用者」在「你的網站」上用講的就能操作，那 page-agent 才是對的工具。兩者不是誰取代誰，是站在桌子的兩邊。
page-agent 能拿來做什麼？五個真實場景
官方列了幾個用途，翻成人話大概是這樣：
- 幫產品加一個 AI 助手（SaaS Copilot）。你不用大改後端，幾行程式就能在自家產品塞一個 AI 助理。對小團隊來說，這等於用很低的成本，把「我們也有 AI 功能」變成真的。
- 把複雜表單變一句話。那種要點 20 下、跨好幾頁才填得完的 ERP、CRM、後台表單，使用者一句話描述需求，它幫忙填完。這是最實際、最省客服力氣的用法。
- 讓網站更好用、更無障礙。不熟電腦的長輩、不方便用滑鼠的人，用講的、用語音就能操作，等於替你的網站開了一道「零門檻」的入口。
- 跨分頁的多步驟任務。搭配它另外提供的 Chrome 外掛，可以把任務延伸到多個瀏覽器分頁。
- 接進你自己的 AI 工作流（MCP）。它有一個測試版的 MCP（Model Context Protocol，讓 AI 工具彼此溝通的標準接口）伺服器，能讓外部的 AI 客戶端反過來操控這個網頁。對已經在玩 MCP 生態的人，是個現成的拼圖。
不會寫程式也能試嗎？三種上手方式
看你想玩多深。完全不寫程式只能「看 demo」，真正用起來還是要會貼一段 JavaScript，但門檻比你想的低很多：
- 先去官方 Demo 摸一摸。專案首頁有一個線上 Demo，直接打開就能看它怎麼聽指令操作畫面，零安裝。先用這個感受一下它能做到什麼程度。
- 一行 script 貼上去。最快的試法，是把官方提供的一行
<script>標籤貼進你的網頁，它會載入一個免費測試用的模型，網站立刻長出 AI 操作員。官方有特別提醒：這個免費 CDN 只供技術評估，不要拿去正式產品。 - 正式用就走 npm。會一點前端的話，
npm install page-agent裝起來，建立一個PageAgent實例、填上你要用的模型與 API Key，之後一句agent.execute('幫我點登入')就能下指令。模型可以接阿里自家的 Qwen，也能換成你慣用的。
要注意的是：page-agent 本身免費，但它要「自帶模型」。你接的那個大型語言模型（LLM）若是付費 API，呼叫量大就會產生費用。這筆帳要先算進去。
page-agent 適合誰？不適合誰？
適合的人很明確：做網站、做後台、做 SaaS、接案幫客戶寫系統的人。你手上有一個「使用者會來操作」的介面，又想加一層 AI 體驗，page-agent 幾乎是現成答案。尤其那種步驟繁瑣的 B2B 後台、ERP、CRM，它能直接把客服壓力降下來。
不適合的也很清楚。官方自己講明：它是為「客戶端的網頁增強」設計，不是拿來做伺服器端自動化。如果你的需求是「在背景大量爬資料、跑自動化測試、無人值守批次操作」，那你要的是 browser-use、Playwright 那類工具，不是它。另外，它需要你能碰到網站的程式碼，純粹想讓 AI 幫自己操作別人網站的個人使用者，這個工具不是為你做的。
對想搞副業、怕被 AI 取代的人，有什麼用？
這才是我覺得 page-agent 對一般人最有意思的地方。過去「幫產品加 AI 功能」是大公司的特權，要養工程團隊、要改架構。現在一個接案的人、一個做小工具的獨立開發者，貼一段 JS、接一個模型，就能對客戶說「我給你的後台多做了一個 AI 助手」。在「有沒有 AI」已經變成客戶基本期待的當下，這就是實打實的接案賣點與加價空間。
換個角度看，AI 不是只會把工作收走，它也在把「以前只有大團隊做得到的事」開放給個人。會把這類工具接起來、變成交付給客戶的東西，本身就是一條出路。重點從來不是「我會不會被取代」，而是「我有沒有把這些開源彈藥撿起來用」。
我會怎麼看 page-agent？
我蠻欣賞它選的角度。這一年大家都在做「站在使用者旁邊、幫你操作全網」的 agent，熱鬧但同質。page-agent 反向切「網站主這一端」，把 AI 操作員當成網站可以內建的一個零件，這個位置乾淨、需求也真實。讀 DOM 不靠截圖的做法，在速度和成本上都站得住腳。
還有個小細節我很喜歡：專案明文寫著「完全由機器人或 AI、沒有實質人類參與的貢獻，恕不接受」。在一個滿地 AI 生成 PR 的時代，一個阿里出品的開源項目特地寫這句，某種程度也說明了一件事：再強的工具，背後還是要有人在判斷。當然，它依賴你自帶的模型，效果好壞跟你接哪個 LLM 直接相關，這點別忘了。
常見問題
page-agent 要錢嗎？
工具本身免費、開源，採 MIT 授權，商用也沒問題。但它要「自帶模型」，你接的那個 LLM 若是付費 API，會依用量計費；想省錢可以接免費或自架的模型。
不會寫程式能用 page-agent 嗎？
能玩官方線上 Demo 感受效果，但要實際用在自己的網站，還是得會貼一段 JavaScript。門檻比一般 AI 開發低很多，會基本前端就夠。
page-agent 跟瀏覽器 AI 外掛差在哪？
差在位置。瀏覽器外掛是使用者裝在自己這端，去操作各種別人的網站；page-agent 是網站主裝在自家網站裡，服務自己的使用者。前者靠截圖辨識畫面，後者讀 DOM 純文字判斷，更快也更省。
使用者的資料安全嗎？
它的運算在使用者瀏覽器這端進行，加上模型自帶，資料不必先繞到第三方伺服器，隱私上比外部代操方案讓人安心。但實際安全程度仍取決於你接的是哪個模型、怎麼處理 API。
不喜歡 page-agent，有什麼替代方案？
看你的需求是哪一端。要從外部驅動瀏覽器、跑自動化或爬蟲，找 browser-use（page-agent 的 DOM 邏輯也是建立在它之上）或老牌的 Playwright、Puppeteer。要讓 AI 在你自己這端幫你操作全網的網站，看瀏覽器外掛型的 agent。要做的是「自家網站內建 AI 助手」這件事，目前 page-agent 算是把這個位置切得最乾淨的開源選擇之一。
延伸閱讀
- smolagents 是什麼？Hugging Face 約 1000 行的極簡 AI agent 框架
- 為什麼 AI 寫的 code 老是用過時 API？Context7 MCP 實測
- Google 悄悄開源 DESIGN.md：給 AI 的「設計說明書」
※ 本文為工具教學與資訊整理，截至 2026 年 6 月。page-agent 版本與功能更新極快，實際請以官方 GitHub（alibaba/page-agent）說明為準。文中不構成任何投資或商業建議。
發表迴響