纯文本驱动网页自动化，无需截图

目前网页自动化的主流方案是 Playwright、Puppeteer 这类浏览器控制库，或者依赖截图+多模态 LLM 的 Agent 如 Multion、Browser-use，前者需要服务端部署成本高，后者调用 GPT-4V 费用贵且延迟高。Page Agent 的创新在于完全在页面内通过 JavaScript 执行，把 DOM 转成文本结构给 LLM 理解，既保留了 Browser-use 的自然语言交互，又省去了截图和浏览器驱动的开销。

阿里开源这个项目的时机很准：MCP 协议正在快速成为 AI 工具连接标准，Page Agent 同时提供了 MCP Server，意味着它可以被 Claude、Cursor 等 MCP 客户端直接调用。如果你在构建需要操作网页的 AI 产品（比如自动填表、数据抓取、网页测试），但不想维护一套浏览器集群，这个方案值得优先评估。Chrome 扩展的多页面支持目前还是可选功能，复杂跨页流程的稳定性需要实测验证。