让AI操控网页一直是个技术难题。传统的做法是让AI通过截图"看"网页，或者通过简单的HTML文本理解网页结构，但这些方法都有明显的局限。2026年7月3日，阿里巴巴正式开源Page Agent，提出了一种全新的思路：让大模型直接理解HTML的DOM树结构，实现精准的网页操作与控制。
技术原理：DOM就是网页的"骨骼"
DOM（Document Object Model）是浏览器将HTML解析后生成的树状数据结构。传统方法的瓶颈在于：
- 截图方案：AI只能"看到"像素，无法理解页面元素的层级关系和可交互性
- 纯文本方案：丢失了HTML标签中的结构信息（如按钮、输入框、链接等）
- 坐标方案：不同屏幕分辨率下坐标会漂移，鲁棒性差
Page Agent的创新在于，它向大模型输入的是结构化的DOM树信息——每个页面元素都带着层级关系、标签类型、位置信息和交互属性。这让AI可以像人类Web开发者一样"理解"网页：这是一个按钮，这是一个表单，这个区域是用来展示搜索结果列表的。
核心能力：精准的网页操作
基于DOM理解，Page Agent实现了几个关键能力：
- 精准元素定位：通过DOM选择器（CSS选择器/XPath）精确找到目标元素，而非"大概在页面上方三分之一处"的模糊描述
- 智能表单填写：理解表单字段的含义（"姓名""邮箱""密码"），自动匹配和填写
- 动态页面处理：能识别SPA（单页应用）和AJAX加载的内容，不依赖页面截图
- 错误恢复：当操作失败时，能回溯DOM变化找到失败原因并重试
与现有方案的对比
| 方案 | 定位精度 | 动态页面 | 速度 | 成本 |
|---|---|---|---|---|
| Page Agent (DOM) | ⭐⭐⭐⭐⭐ | ⭐���⭐⭐⭐ | ⭐⭐⭐⭐ | 低 |
| 截图+视觉模型 | ⭐⭐⭐ | ⭐⭐ | ⭐⭐ | 高 |
| Playwright MCP | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | 中 |
实际应用场景
- 自动化测试：替代Selenium/Playwright，用自然语言编写测试用例
- 数据采集：即使目标网站改版，AI也能自适应定位目标数据
- RPA（机器人流程自动化）：让AI完成报销审批、订单录入等需要操作网页后台的工作
- Web应用无障碍：帮助视障用户通过自然语言操作网页
如何开始使用
Page Agent已在GitHub开源（github.com/alibaba/page-agent），支持通过DeepSeek、通义千问等国产模型驱动。安装只需一行命令：
pip install page-agent然后可以通过Python SDK快速构建自己的网页操作Agent。阿里官方还提供了与LangChain、AutoGPT等Agent框架的集成指南。
总结
阿里Page Agent的开源，为AI网页操控领域提供了一种"更聪明"的解决方案。通过让AI理解DOM而非仅仅"看"截图，Page Agent在定位精度和操作鲁棒性上都有显著提升。对于需要用AI实现网页自动化的开发者来说，这绝对是一个值得关注的项目。
想了解更多AI编程和自动化工具，可以查看我们的AI编程工具横评。