告別“代碼重構”焦慮：阿里開源 Page Agent，讓大模型讀懂網頁底層邏輯

### 阿里開源 Page Agent：告別「造輪子」焦慮，讓 AI 真正讀懂網頁

阿里巴巴近期開源了一項名為 **Page Agent** 的工具，引發瀏覽器自動化領域的關注。不同於過去依賴截圖或固定協定的自動化方案，Page Agent 的核心亮點在於：它讓大型語言模型（LLM）直接解析網頁的原始結構，從而動態適應頁面變化。這項技術有望從根本上解決開發者在維護自動化腳本時反覆重寫程式碼的痛點，真正告別「每次改版都要重構」的焦慮。 ### 重點整理：從「看截圖」到「讀源碼」

傳統的瀏覽器自動化工具（如 Selenium、Puppeteer），本質上是透過固定的 CSS 選擇器或 XPath 來定位網頁元素。一旦網站進行版面調整或結構優化，這些寫死的路徑就會失效，開發者必須手動比對新頁面、重新尋找元素位置，導致「造輪子」的惡性循環。Page Agent 的創新在於：它繞過截圖辨識或預先定義的協定，直接將網頁的 **DOM 樹（文件物件模型）** 餵給大模型。模型透過理解標籤的層級關係與屬性，即時推算出目前需要操作的區塊在哪裡——就算版面變動，只要底層邏輯一致，腳本就能自動適應。 ### 背景脈絡：為何瀏覽器自動化總讓人頭痛？ 過去十年，企業在爬蟲、自動化測試、RPA（機器人流程自動化）等場景大量使用瀏覽器自動化技術，但始終面臨「脆皮」問題。程式碼往往因為網站一次小小的改版就全面崩潰，工程師得花時間從數百行選擇器中找出失效的節點。更進階的方案如「視覺辨識自動化」（依賴螢幕截圖比對）雖然能避開結構變化，但容易受到渲染環境、字型、解析度干擾，穩定性同樣有限。Page Agent 選擇了第三條路：讓已經具備推理能力的語言模型直接成為「結構理解者」，從根本上跳脫「寫死路徑」的框架。 ### 可能影響：開發效率與維護成本的雙重解放

這項開源專案的影響可能擴及三層面：第一，**降低維護負擔**。開發者不再需要針對每個頁面版本重寫腳本，大模型的動態解析能力能讓舊腳本在大多數情況下自動生效。第二，**提升跨站點通用性**。過去不同網站的自動化腳本幾乎無法共用，因為選擇器與結構迥異；Page Agent 讓模型根據 DOM 推論意圖，使得同一組指令可以適配多種頁面設計。第三，**降低技術門檻**。非工程背景的使用者有機會透過自然語言描述操作目標，由 Page Agent 自動完成元素定位，讓瀏覽器自動化更接近「人人可用」的狀態。 ### 讀者可關注的後續面向

目前 Page Agent 已以開源形式釋出，開發者可以直接下載原始碼進行測試與貢獻。後續值得關注的方向包括：**專案在 GitHub 上的維護活躍度**，以及社群是否會發展出標準化的指令模板；**與現有框架（如 Playwright、Cypress）的整合方案**；**大模型選擇的影響**——不同模型對 DOM 結構的理解精度可能差異顯著，開源專案未來或許會提供模型輕量化或本地部署的建議。此外，實務上能否真正應對動態載入（如 AJAX）或高度客製化的 JavaScript 渲染頁面，也有待更多真實案例驗證。 ### 結語：自動化不再怕變動，但仍有挑戰

阿里開源 Page Agent 的思維轉變，可說是給瀏覽器自動化領域注入一劑強心針。它讓