A maioria das ferramentas de automação de navegador — Playwright, Puppeteer, Selenium e browser-use — opera de fora para dentro: um processo externo controla o navegador via screenshots ou Chrome DevTools Protocol. A Alibaba decidiu inverter essa lógica com o Page Agent, um novo agente de IA open source que roda dentro da página como JavaScript puro, lendo o DOM ao vivo e agindo como o próprio usuário.
O que é o Page Agent
O Page Agent é uma biblioteca client-side que adiciona comportamento de agente a qualquer aplicação web. Basta incorporá-lo e emitir comandos em linguagem natural. O agente encontra elementos, clica em botões e preenche formulários diretamente de dentro da página — sem navegador headless, sem screenshots, sem modelo multimodal.
Por rodar na sessão do navegador, ele herda cookies, autenticação e sessão do usuário automaticamente. Não há backend separado para escrever, e as regras de validação e segurança da UI existente permanecem no lugar. O projeto é open source sob licença MIT, com código TypeScript-first e construído sobre o browser-use, do qual derivou seu processamento de DOM e prompt.
Desidratação do DOM: como funciona
O segredo técnico está na desidratação do DOM (DOM dehydration). Uma página moderna pode conter milhares de nós. Enviar HTML bruto para um modelo de linguagem seria lento e caro. Em vez disso, quando um comando chega, o agente escaneia a árvore do DOM e identifica cada elemento interativo — botões, links, campos de input. Cada elemento recebe um índice, um papel (role) e um rótulo (label).
O DOM vivo é convertido em uma FlatDomTree, um mapa textual limpo e compacto do que realmente importa. Toda marcação redundante é removida. O modelo de linguagem lê essa representação compacta — não pixels — e decide a ação. O resultado é um agente que funciona com modelos apenas de texto, sem precisar de visão computacional.
Modelo-agnóstico e schema-driven
O Page Agent é agnóstico de modelo: você traz seu próprio LLM através de qualquer endpoint compatível com OpenAI. Basta configurar model e baseURL. O sistema também inclui o componente lift, um extrator schema-driven que alcançou 90,2% de precisão por campo no benchmark Datalab, usando um modelo de visão de 9 bilhões de parâmetros.
Desenvolvedores mantêm controle de escopo com allowlists de operações, mascaramento de dados (para esconder campos sensíveis como senhas do modelo) e injeção de conhecimento customizado para regras de domínio. O agente também pode mostrar cada ação crítica para aprovação antes de executá-la.
Casos de uso e limitações
O Page Agent é ideal para copilotos e preenchimento de formulários dentro de aplicações que você controla — produtos onde você pode adicionar código. Para scraping cross-site e ambientes bloqueados (sites de terceiros com políticas restritivas), ferramentas externas como Playwright e Puppeteer continuam sendo a melhor escolha.
As limitações declaradas incluem escopo de página única (single-page scope) e segurança baseada apenas em prompt — para ações de risco, validação server-side continua sendo necessária. Além disso, se você passar uma chave de API diretamente para o construtor new PageAgent(), ela vai para o bundle do cliente. Em produção, o recomendado é fazer proxy das requisições pelo seu próprio backend.
Quick Start
Para testar, basta uma tag de script:
<script type="module">
import { PageAgent } from 'https://cdn.jsdelivr.net/npm/page-agent/dist/index.js';
const agent = new PageAgent({ endpoint: 'https://demo.pageagent.ai/v1' });
await agent.run('Preencha o formulário de cadastro');
</script>O endpoint demo é apenas para avaliação técnica. Para produção, configure seu próprio modelo. A instalação via npm também está disponível: npm install page-agent.
Por que isso importa
O Page Agent representa uma abordagem fundamentalmente diferente para agentes de GUI. Enquanto a maioria das soluções atuais depende de screenshots e modelos multimodais caros, a Alibaba mostra que é possível alcançar precisão competitiva usando apenas a estrutura do DOM e modelos de texto — uma estratégia mais leve, rápida e barata. Para times que constroem produtos web e querem adicionar capacidades de agente sem depender de infraestrutura externa de automação, o Page Agent é uma alternativa concreta e imediatamente utilizável.
O código está disponível no GitHub sob licença MIT.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
