Page Agent من Alibaba يدير واجهات الويب عبر DOM بدون لقطات شاشة ونماذج متعددة الأنماط

قدمت علي بابا Page Agent في 2 يوليو 2026 — وهو وكيل متصفح مكتوب بلغة JavaScript نقية يتحكم في واجهات الويب من خلال أوامر نصية بقراءة بنية الصفحة عبر DOM. يعمل الوكيل بالكامل على جانب العميل ولا يتطلب لقطات شاشة أو نماذج متعددة الأنماط أو تغييرات في كود الخادم.

كيفية عمل Page Agent

يتم دمج الوكيل في صفحة ويب كنص JavaScript عادي. عندما يرسل المستخدم أو نظام خارجي أمراً باللغة الطبيعية — على سبيل المثال، "انقر على زر إرسال النموذج" — يحلل الوكيل شجرة DOM الحية: يقرأ الوسوم والسمات والعلامات النصية وبنية الاستدراج. بناءً على هذا التحليل، يختار العنصر المطلوب وينفذ إجراءً: النقر أو إدخال النص أو الاختيار من قائمة منسدلة.

الخصائص الرئيسية:

• التنفيذ على جانب العميل — لا حاجة إلى طلبات خادم للتحكم في واجهة المستخدم
• إشارة التحكم — نص باللغة الطبيعية البسيطة
• مصدر البيانات — تمثيل نصي لـ DOM الحي
• الإجراءات — النقرات والإدخال والتفاعل مع عناصر النموذج
• لا يتطلب نموذج متعدد الأنماط — يكفي نموذج لغة كبير قائم على النص

لماذا DOM أفضل من لقطات الشاشة؟

معظم وكلاء الواجهة الرسومية الحديثة للمتصفحات تعمل من خلال التمثيل البصري للصفحة: التقاط لقطة شاشة وإرسال الصورة إلى نموذج متعدد الأنماط والحصول على الإحداثيات وتنفيذ النقرة. يعمل هذا النهج، لكن له قيود أساسية.

الطلبات متعددة الأنماط أكثر تكلفة من الطلبات النصية — من حيث تكاليف الرموز وتأخير الاستجابة. الواجهات الكثيفة ذات العناصر الصغيرة تقلل الدقة: قد يسيء النموذج تحديد الإحداثيات أو "يفقد" الزر خلف طبقة محتوى منبثقة. يعتمد نهج لقطة الشاشة أيضاً على العرض — يتصرف الوكيل بشكل مختلف عند أحجام نوافذ مختلفة وفي الوضع بدون رأس.

مشكلة إضافية هي المحتوى الديناميكي. إذا ظهر عنصر بعد مئات من الميلي ثانية من تحميل الصفحة، يجب على وكيل يعتمد على لقطة الشاشة أن يخمن لحظة الاستقرار. يسترجع وكيل DOM الحالة الحالية للشجرة في لحظة الأمر ويرى المحتوى الحديث تلقائياً.

يزيل نهج DOM جميع هذه القيود. البنية HTML للصفحة تحتوي بالفعل على الدلالات — المعرفات والأدوار والعلامات النصية وهرمية العناصر. يمكن لوكيل نصي أن يجد بدقة أكبر "زر التأكيد في النافذة المشروطة" بقراءة DOM أفضل من تخمين كائن من البكسلات. يعمل الوكيل بالتساوي في Chrome العادي وWebView الجوال والمتصفحات بدون رأس.

حيث ينطبق هذا

يظهر وكيل DOM أفضل النتائج حيث تكون بنية الصفحة يمكن التنبؤ بها: تطبيقات الويب للمؤسسات وأنظمة إدارة علاقات العملاء واللوحات الإدارية والنماذج. من الأهمية بمكان أن Page Agent لا يتطلب الوصول إلى كود الخادم أو واجهة برمجة التطبيقات للموقع المضيف. صاحب الخدمة لا يحتاج إلى إعادة كتابة أي شيء — يكفي توصيل نص الوكيل على جانب العميل.

يفتح هذا سيناريو "التكامل الصفري": يضيف المطور أو المستخدم النهائي الوكيل إلى أي موقع ويب يعمل بالفعل ويبدأ على الفور في التحكم به باستخدام أوامر نصية. بالنسبة لأتمتة المؤسسات، يقلل هذا بشكل كبير من تكاليف التنفيذ مقارنة بحلول RPA التقليدية التي تتطلب تخصيصاً عميقاً لكل تطبيق محدد.

ماذا يعني هذا

يوضح Page Agent من علي بابا أن أتمتة المتصفح لا تتطلب نماذج متعددة الأنماط مكلفة. DOM كمصدر نصي يوفر للوكيل معلومات كافية للتحكم الدقيق في الواجهة — بتكاليف أقل وبدون الاعتماد على العرض البصري. إذا أثبت هذا النهج موثوقيته عبر مواقع ويب حقيقية متنوعة، فقد يضع معياراً جديداً لوكلاء الويب الخفيفة — قابل للتضمين دون إعادة كتابة واجهة خلفية ومتوافق مع أي موقع ويب بشكل مباشر.