alibaba/page-agent

これは何？

主な機能

• 01基本的な利用ではブラウザー拡張機能もバックエンドも必要なく、すべてページ内のJavaScriptで動作する。
• 02スクリーンショットやマルチモーダルモデルを使わず、DOMをテキストで表現したものを基に動作する。
• 03ローカルにデプロイしたモデルを含む、主要なLLMに対応する。
• 04オプションのChrome拡張機能で、複数ページにまたがるタスクに対応する。
• 05ベータ版のMCPサーバーを使うと、外部のエージェントクライアントからブラウザーを操作できる。

ユースケース

• バックエンドを書き換えずに、SaaS製品へAIコパイロットを追加する。
• ERP、CRM、管理システムの複数ステップからなるフォーム操作を、一文の指示で実行できるようにする。
• 自然言語や音声入力でWebアプリケーションを操作できるようにする。

クイックスタート

1. 1

   デモ用の script タグですぐに試す（評価のみ）

   <script src="https://cdn.jsdelivr.net/npm/page-agent@1.12.4/dist/iife/page-agent.demo.js" crossorigin="anonymous"></script>
2. 2

   npm パッケージをインストールする

   npm install page-agent
3. 3

   PageAgent をインポートし、自分の LLM API キーで実行する

使う前に知っておきたいこと

• !デモ CDN は無料のテスト用 LLM API を使用しており、技術評価のみを目的としています。
• !独自のモデルで使用するには、LLM API キーまたはローカルにデプロイしたモデルが必要です。
• !ページ内でのみ動作するため、複数ページにまたがるタスクには別途 Chrome 拡張機能が必要です。

トピック

よくある質問

page-agent とは？

あらゆるWebページにGUIエージェントを組み込み、自然言語で操作できるJavaScriptライブラリ。 Page Agentは、Webページ内で動作するJavaScriptライブラリです。ページにAIエージェントを組み込み、自然言語の指示でインターフェースを操作できます。すべてページ内のJavaScriptで動作するため、基本的な利用にブラウザー拡張機能やPythonランタイム、ヘッドレスブラウザーは必要ありません。

page-agent は無料で使えますか？ライセンスは？

page-agent は MIT ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

page-agent は今もメンテナンスされていますか？

活発にメンテナンス中。page-agent の最終コミットは 2026年10月19日 です。

page-agent は何に使えますか？

バックエンドを書き換えずに、SaaS製品へAIコパイロットを追加する。 ERP、CRM、管理システムの複数ステップからなるフォーム操作を、一文の指示で実行できるようにする。 自然言語や音声入力でWebアプリケーションを操作できるようにする。

page-agent のインストール方法は？

デモ用の script タグですぐに試す（評価のみ）: <script src="https://cdn.jsdelivr.net/npm/page-agent@1.12.4/dist/iife/page-agent.demo.js" crossorigin="anonymous"></script> npm パッケージをインストールする: npm install page-agent PageAgent をインポートし、自分の LLM API キーで実行する

page-agent はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/alibaba/page-agent