AlibabaのPage Agent：DOMを通じて自然言語でWebインターフェースを制御するJavaScriptページ内GUIエージェント

AlibabaのPage Agentは、Webページ内で動作するクライアントサイドJavaScriptライブラリで、スクリーンショットやマルチモーダルモデルを使わずに、ライブDOMをテキストとして読み取り、自然言語コマンドを実行します。MITライセンスでオープンソース化され、DOM脱水技術でページ構造を圧縮しコストを削減。自社アプリ内のコパイロットやフォーム入力に最適ですが、単一ページに限定され、重要な操作にはサーバー側の検証が必要です。