Page-Agent 是阿里巴巴（Alibaba）开源的一个前端 AI 代理（Agent）框架，旨在通过自然语言指令操控网页 UI，实现“说人话”就能操作网页的效果。它本质上是一个纯前端的实验性 GUI Agent 库，支持将大型语言模型（LLM）与网页前端逻辑深度融合，主要用于构建网页智能助手、自动化脚本生成、无障碍访问优化以及 SaaS 产品的 AI 副驾功能。
- Page-Agent官网入口网址：https://alibaba.github.io/page-agent/
- Page-Agent开源项目地址：https://github.com/alibaba/page-agent
Page-Agent 定义为“基于 JavaScript 的页面内图形用户界面代理”。它的出现是为了打破传统网页自动化工具（如 Selenium 或 Puppeteer）需要编写大量代码和脚本的限制。Page-Agent 通过将 LLM 的自然语言理解能力直接嵌入网页前端，让普通用户或开发者只需输入一句话指令，Agent 就能自动识别并操作网页元素（如点击按钮、填写表单、切换页面等）。这种方式不仅降低了自动化测试和网页交互的门槛，也为复杂的后台系统（如 ERP、CRM）提供了更自然的人机交互方式。
核心特性与功能
- 自然语言操作：用户无需了解 HTML DOM 结构，只需用自然语言描述操作意图，Agent 会自动解析并执行指令。
- 轻量化集成：Page-Agent 是一个前端库，体积小巧。用户只需要在网页中引入一行 JavaScript 代码即可集成，无需部署后端服务或安装浏览器插件。
- 多模型兼容：它兼容 OpenAI API 规范，支持接入 OpenAI、通义千问等多种 LLM 模型。开发者还可以自定义 LLM 接口，实现模型的自由切换。
- 交互式界面：内置交互式聊天窗口（Chat UI），用户可以实时查看指令执行的思考过程（Chain-of-Thought），并在需要时进行干预或修改。
- 浏览器扩展支持：虽然核心是纯前端库，但它也提供了一个 Chrome 扩展（PageAgentExt），允许 Agent 控制用户的整个浏览器（跨页面操作），但需要用户显式授权。
典型应用场景
Page-Agent 的应用场景非常广泛，特别适合那些需要大量重复性网页操作的业务场景：
- SaaS 产品 AI 副驾：如在电商后台（京东后台、阿里巴巴后台）中，用户可以直接说“帮我把本周的订单导出成 Excel”，Agent 会自动在后台完成操作。
- 复杂表单自动化：在金融或政府网站上填写长表单时，用户只需上传文档或提供信息，Agent 会自动识别并填充所有表单字段。
- 客服系统：结合知识库，为用户提供基于网页内容的即时响应和操作建议。
- 无障碍访问：为视力障碍用户提供语音控制网页的能力，让网页操作变得更加友好。
Page-Agent 是阿里巴巴在前端 AI 领域的一项创新，它将大型语言模型的能力直接带到了用户的浏览器里。通过它，网页不再是冷冰冰的代码，而是拥有了“智能大脑”，能够理解用户意图并主动执行任务。这不仅是网页自动化技术的升级，也是人机交互方式的一次重大变革。
数据统计
相关导航
MCP.so 是一个第三方MCP（Model Context Protocol）市场平台，目前收录了16517个MCP服务器。该平台旨在为用户提供一个集中发现和管理MCP服务器的平台，帮助用户更好地利用AI模型和工具。 mcp.so官网入口网址：http://mcp.somcp.so中文官网入口网址：http://mcp.so/zh MCP（模型上下文协议）是一种开源协议，由Anthropic开发，旨在为AI系统（如Claude）提供一种安全连接外部数据源的方式。MCP服务器通过客户端-服务器架构，为AI助手提供数据、工具和提示，使其能够安全地访问外部数据源和工具。MCP服务器可以共享资源（如文件、文档、数据库）、提供工具（API集成、操作）和提供提示（模板化交互）。 MCP.so 平台不仅提供服务器列表，还提供详细的服务器介绍、功能说明和使用方式。用户可以通过该平台发现、分享和学习各种MCP服务器，以支持AI应用的开发和优化。 此外，MCP.so 还支持用户提交自己的MCP服务器，通过GitHub提交问题或直接提交信息，以便将服务器添加到平台中。 MCP.so 是一个社区驱动的平台，旨在促进AI生态系统的开放和协作，为开发者和用户提供一个便捷的资源发现和管理工具。
DroidRun 是一个开源框架，旨在通过大型语言模型（LLM）代理控制 Android 设备，实现自动化操作。它支持自然语言指令，允许用户通过简单的命令控制设备，执行复杂任务，如启动应用、交互界面元素等。DroidRun 结合了视觉解析和 UI 结构提取技术，以实现精准的交互操作。 DroidRun官网入口网址：https://droidrun.ai/DroidRun开源项目地址：https://github.com/droidrun/droidrun DroidRun 的核心功能包括支持多种 LLM 提供商（如 OpenAI、Anthropic、Gemini、Ollama、DeepSeek），提供易用的命令行界面（CLI）和 Python API，支持自定义自动化脚本。它还支持截图分析、执行追踪和远程设备控制，适用于 UI 测试、自动化任务执行等场景。 DroidRun 的开发和社区活跃，项目采用 MIT 许可证，开源社区活跃，支持贡献代码和提交 Pull Request。目前，DroidRun 处于等待列表阶段，提供针对个人开发者、小团队和企业的不同解决方案。 DroidRun 的目标是通过 AI 技术实现移动设备操作的自动化，提升效率和用户体验，是 AI 在移动设备自动化领域的重要进展。
Stagehand 是一款创新的 AI 驱动浏览器自动化框架，旨在通过结合代码与自然语言的优势，为开发者提供高效、灵活的自动化解决方案。 Stagehand官网入口网址：https://www.stagehand.dev/Stagehand开源项目地址：https://github.com/browserbase/stagehand 核心功能与技术特点 代码与自然语言混合编排：Stagehand 支持开发者在熟悉页面结构时使用精确的 Playwright 代码，而在面对不熟悉页面时利用自然语言指令进行自动化操作，从而兼顾灵活性和可控性。AI 驱动页面导航：通过自然语言指令，Stagehand 能够自动探索和操作动态变化的网页，例如定位元素、点击按钮或提取数据。动作预览与缓存：在执行 AI 指令前，用户可预览操作效果，确保准确性；同时支持缓存常用操作，节省时间和资源。多模型支持：Stagehand 集成了 OpenAI、Anthropic 等顶尖 AI 模型，用户可通过一行代码轻松调用这些模型，增强自动化能力。 应用场景 网页测试：自动化测试网页功能，确保兼容性和用户体验。数据抓取：从动态网页中高效提取数据，适用于数据分析和内容聚合。智能表单填写：自动完成注册、登录等表单操作，减少重复劳动。跨平台自动化：支持在多个平台和浏览器上执行复杂任务，提高生产力。 优势与开源生态 Stagehand 的开源特性（MIT 许可证）和与 Playwright 的深度集成，使其成为现代网页自动化的强大工具。其官网还提供了详细的文档、快速入门指南和社区支持，帮助用户快速上手。 Stagehand 的推出标志着浏览器自动化工具从传统代码模式向 AI 驱动模式的转型，适合需要高可靠性和适应性的生产环境。
CopilotKit 是一个革命性的智能体应用框架，它让开发者能够快速、灵活地为任何应用注入AI能力，打造直观的用户导向型智能助手（Agentic Applications）。无论您需要零代码集成还是深度定制，CopilotKit 都提供全栈解决方案。 copilotkit官网入口网址：https://www.copilotkit.ai/copilotkit开源项目地址：https://github.com/CopilotKit/CopilotKit核心优势极速开发：通过一行命令 npx copilotkit@latest init 即可启动项目，无缝嵌入现有应用。无界定制：支持从 Headless UI 到预置组件的全频谱UI定制，满足从底层控制到开箱即用的需求。开放生态：兼容任何LLM模型（如GPT/Claude/Llama等），支持 LangChain 等主流Agent框架，通过 AG-UI协议 实现跨框架协作。场景化解决方案SaaS Copilot：为SaaS产品构建意图：导向的交互界面，实时理解用户需求，在业务流程中主动提供上下文智能辅助。Co-Creation Copilot打造与用户协同创作的AI伙伴，通过自动化工作流提升生产效率，实现”更多、更好、更快”的内容产出。技术定位 CopilotKit 是 智能体应用栈的核心层，专注于将AI能力转化为用户可交互的体验： 开发者可自由接入自研Agent框架或直接调用LLM提供低代码组件（如聊天窗口、任务自动化面板）降低开发门槛企业级需求支持私有化部署与安全审计实战案例智能仪表盘：在复杂SaaS界面中实现自然语言操控数据分析对话式表单：将枯燥表单填写转变为多轮自然对话生产力助手：集成LangChain实现文档自动生成与决策支持 CopilotKit 已赋能众多团队构建下一代AI应用。无论您是初创公司还是企业级客户，都能通过其模块化设计实现：用户意图理解 → 上下文推理 → 自动化执行的闭环体验。
MetaClaw 是一款开源智能体框架，旨在探索 “对话即训练”（Talk-to-Learn）的新范式，实现人工智能在真实交互环境中的 持续进化（Evolves in the Wild）。该项目通过将强化学习（RL）与大语言模型（LLM）结合，使得 AI 能够在与用户的日常对话中自主学习新技能，而无需依赖传统的离线数据集、GPU集群或人工微调。 MetaClaw开源项目官网入口网址：https://github.com/aiming-lab/metaclawMetaClaw中文介绍：链接核心概念：对话即训练 MetaClaw 的最大创新在于其 “边聊边进化” 的能力。它通过监听用户的反馈（如“这句话很有道理”、“这句话很无聊”），将这些交互信号转换为强化学习的奖励信号（Reward）。从而让模型能够根据用户的即时偏好进行微调，实现个性化的学习过程。 强大的后端技术栈 MetaClaw 并非单一模型，而是一个集成了多种技术的系统： 基础模型（Base Model）：支持 Kimi-2.5、Qwen3-4B 等多种 LLM 底座。强化学习引擎（Tinker）：MetaClaw 将训练任务交给了 Tinker 云平台，用户只需配置 API 密钥，即可在本地进行在线 RL 训练，无需本地算力支持。技能库（Skill Bank）：支持技能注入（Skill Injection）和技能进化（Skill Evolution）机制，使 AI 能主动生成并优化新技能。灵活的运行模式 MetaClaw 提供了两种主要模式： 实时对话模式：无需微调模型权重，适合普通用户在与 AI 对话时即时生成训练数据。离线 RL 微调模式：支持对模型进行实时微调，适用于需要更高定制化程度的场景（但可能需要付费 API 支持）。简单易用 使用 MetaClaw 的门槛极低，只需克隆仓库、安装依赖、设置 OpenAI / Kimi / Azure API 密钥，即可通过一条命令启动服务。它的目标是让“养虾”（养成 AI）变得像养宠物一样简单。 适用场景个人助理：创建一个能随时自我进化的个人 AI 助手。教学与研究：探索具身 AI（Embodied AI）和元学习（Meta-Learning）的最新研究方向。 MetaClaw 代表了 AI 从“训练完成后直接使用”向“使用过程中持续学习”的重要转型，是当前最前沿的开源项目之一。
AniPortrait 是由腾讯游戏智迹团队研发的一款开源 AI 工具，旨在通过音频和参考肖像图像生成高质量的动态视频动画。该项目的核心功能是将静态肖像转化为生动的动画形象，同时支持音频驱动的面部表情和头部姿势控制，使生成的动画与输入音频同步，呈现出逼真的视觉效果。 AniPortrait项目官网入口网址：https://github.com/Zejun-Yang/AniPortraitAniPortrait在线演示网址：https://huggingface.co/spaces/ZJYang/AniPortrait_official AniPortrait 的工作流程分为两个主要阶段：首先是 Audio2Lmk（音频到 2D 面部标记点），该模块从音频中提取关键信息，包括面部表情和头部姿态的 3D 网格和头部姿态信息；其次是 Lmk2Video（2D 面部标记点到视频），该模块利用提取的面部特征生成高质量的动态视频。此外，AniPortrait 还支持人脸重绘功能，允许用户将照片中的人物替换到源视频中，从而实现更加灵活的动画创作。 AniPortrait 的技术特点包括： 音频驱动的动画合成：通过分析音频中的语音节奏和音调，自动调整人物的面部表情和口型，使其能够说话或唱歌。高质量的视觉效果：利用扩散模型和运动模块，生成高分辨率、时间一致性的逼真动画。灵活的模型配置：用户可以根据需求调整模型权重和配置参数，以实现个性化的动画效果。广泛的应用场景：适用于游戏开发、虚拟主播、社交媒体内容创作、艺术创作等多个领域。 AniPortrait 的开源特性使其具有较高的灵活性和扩展性。用户可以通过 GitHub 获取代码并进行定制开发，同时社区提供了详细的文档和支持，帮助新手快速上手。此外，AniPortrait 还支持多种语言，并且能够适应不同的硬件配置，进一步提升了其普适性和实用性。 AniPortrait 是一个功能强大且灵活的 AI 动画生成工具，能够满足用户在动态视频制作中的多样化需求。无论是专业人士还是普通用户，都可以通过 AniPortrait 创作出独一无二的艺术作品或实用内容。