在浏览器自动化这条路上，开发者们似乎总在跟“重复造轮子”较劲。要么截屏去“看懂”网页，费时费力；要么靠底层协议强行驱动，结果网页结构稍微一变，之前的代码就白写了。最近阿里巴巴开源了一个叫 Page Agent 的 JavaScript 客户端库，倒是带来了一种全新的解法——它不打算从外部“暴力破解”，而是让大模型直接钻进网页内部，读懂 DOM 结构。

核心突破在于一个叫“DOM 脱水”的技术。传统的做法要让 AI 识别页面，通常得截屏、上多模态模型，计算量巨大不说，关键交互信息还容易丢。Page Agent 的思路完全不同：它直接运行在网页内部，把复杂臃肿的 DOM 树压缩成一份轻量级的纯文本映射，叫 FlatDomTree。打个比方，这就像给 AI 画了一张高精度的交互地图，模型不用处理视觉渲染，光靠这张地图就能精准完成点按钮、填表单这样的操作。

目前这个工具已经在 GitHub 上以 MIT 协议开源。随着它的发布，开发者终于有望告别昂贵的多模态算力消耗，用更务实的手段给应用装上真正能“感知网页”的智能体。这么说吧，AI 网页自动化这件事，正在走向轻量化、普及化的新阶段。