告别暴力破解的旧时代

以前在进行网页自动化操作之时, 开发者存在两种选择, 其一是以截图结合多模态AI的方式去“观看”页面, 其二是依靠底层协议去“强硬驱动”浏览器。这两种途径均好似于黑暗里摸索探寻, 一旦网页结构稍有变动, 整个方案就必须重新编写。如此情形致使无数的团队深陷于重复“制造轮子”的艰难处境之中, 不仅白白耗费算力, 而且所取得的效果还并不理想。

阿里开源的Page Agent, 直接破除了这般僵局, 它并非从外部对页面发起攻击, 而是促使AI模拟人类, 直接去读取网页内部的DOM结构, 从根源上化解了动态网页所带来的挑战。

DOM脱水技术让AI秒懂页面

传统方案得要截下整个网页的图, 而后让AI去做复杂的视觉分析, 这般过程不但会耗费大量的GPU算力, 而且还会致使按钮状态以及表单隐藏域等关键交互信息出现丢失情形。Page Agent不走寻常路, 这种方式是直接于网页内部运行, 把冗余的DOM树给压缩成纯文本映射。

这套名为“DOM脱水”的技术, 给AI绘制出了一张具备高精度的交互地图, 模型无需去处理复杂的视觉渲染；只需要借助这份经过精简的结构映射, 便能够精准地找到按钮位置；还能够判断出输入框状态；并且可以完成点击、填表、翻页等一系列高难度操作。

内嵌式设计免去认证烦恼

已投身网页自动化开发之事的那些开发者而言, 最为棘手的常常是应对登录状态以及会话过期这类问题。Page Agent于浏览器环境内部径直运行, 自然而然地承袭了全部的cookie、session以及登录凭证, 开发者无需于后端去处理繁杂的验证流程。

这表明你用不着再针对每一项自动化任务去编写一组“登录, 获取Token, 保持会话”这般的代码。只要用户已然登录了网页, Page Agent便能够直接重复使用当下的会话, 极大地削减了开发以及维护成本。

兼容所有主流大模型

Page Agent运用了极为高度开放的设计, 它能够毫无缝隙地接入任何支持标准接口的大语言模型。不管是调用OpenAI的GPT系列, 又或是国内的文心一言、通义千问, 开发者仅仅需配置好API接口, 便能够让这些模型借助Page Agent来操控网页。

这种具备灵活性的设计, 给予了开发者相当大的选择余地, 你能够依据预算以及场景, 自由自在地切换其背后的大模型, 而且并不需要对自动化流程的核心代码进行改动, 这是当前市面上诸多封闭框架没办法相提并论的优势。

三大典型场景立竿见影

于SaaS产品范围里, Page Agent能够充任智能副驾角色, 助力用户自动予以数据录入、报表生成等重复性操作。企业无需对现有系统加以改造, 仅需嵌入Page Agent便能够使老系统具备AI能力。

在自动化数据采集范畴之内的方面, 它格外契合那类唯有登录之后才可以对其进行抓取的具备数据的平台。鉴于Page Agent是直接于网页内部开展运行的状况, 所以能够轻易地绕开反爬取的相关策略, 准确无误地去提取诸如表格、列表等这一些呈现出结构化特征的信息。与此同时, 它还能够促使Web应用的无障碍交互体验得到提升的效果, 进而助力残障用户更加顺畅地去对复杂的网页功能予以操作。

安全防线和适用边界

于开源文档里, 开发团队清晰表明, Page Agent当下更适配单页面之中的高效交互, 跨页面跳转的情形尚需进一步予以优化。对于处理支付、数据篡改等具备高安全敏感度的操作时, 开发者务必于服务端施行严格的逻辑校验。

Page Agent采用提示词触发的权限管控机制, 以此来确保系统稳健性, 当AI尝试执行敏感操作时, 系统会先弹出确认提示, 这一步需要用户授权后AI才能继续执行, 此机制为自动化流程筑起了一道初步的安全防线, 从而防止因AI误操作而带来相应风险。

当前, 此库于GitHub依照MIT协议实现了开源。你对于这个所谓“使AI直接读取DOM”的方案持有怎样的看法呢? 欢迎在评论区域分享你运用它的经历, 点赞并进行转发, 从而让更多的开发者能够看到这个全新的工具。