Alle, die gerade Web-Agenten bauen, richten ein multimodales Modell auf Screenshots — Browser-Nutzung, UI-TARS, OpenAI’s Computer-Nutzung. Alibabas neuer Open-Source-Page-Agent ging den entgegengesetzten Weg: keine Screenshots, kein Vision-Modell, keine Browser-Erweiterung, kein Headless-Browser. Es ist reines JavaScript, das in Ihrer Seite lebt, das Live-DOM als Text ausliest und klickt und tippt wie der tatsächlich eingeloggte Nutzer. GitHub verlieh ihm an einem einzigen Tag über 700 Sterne.
Was es wirklich ist
Der Trick heißt DOM-Dehydration. Eine echte Seite hat Tausende von Knoten, und das Dumpen von rohem HTML in ein LLM ist langsam und teuer. Stattdessen scannt Page-Agent das DOM, extrahiert jedes interaktive Element — Buttons, Links, Inputs — versieht jedes mit einem Index, einer Rolle und einem Label und wandelt es in eine saubere Text-Karte um. Ein kleines, günstiges Text-Modell kann dann präzise darauf reagieren. Keine Pixel beteiligt.
Warum das SDK wichtig ist
Es ist eine MIT-lizenzierte, TypeScript-first-Bibliothek. Zeigen Sie model und baseURL auf ein beliebiges OpenAI-kompatibles Backend — DashScope/Qwen, GPT, Claude oder ein lokales Ollama — und ein paar Zeilen fügen einen KI-Co-Pilot in Ihr SaaS ein. Das Verkaufsargument: Wandeln Sie einen 20-Klick-ERP/CRM/Admin-Workflow in einen Satz um, ohne das Backend neu zu schreiben. Das ist der Aspekt, der Enterprise-Teams interessiert.