这篇研究由奥本大学（Auburn University）与弗吉尼亚大学（University of Virginia）的研究团队联合完成，于2026年4月发表在arXiv预印本平台，论文编号为arXiv:2604.23772，归属于人机交互（cs.HC）研究方向。感兴趣的读者可以通过该编号检索完整论文。
每天打开浏览器，人们面对的是一片信息的汪洋。你想在一篇长达几万字的维基百科文章里找一个具体答案，你想在一个陌生网站学会怎么改密码，你想把那些让你分心的广告和烦人推送统统赶走——这些事情听起来简单，做起来却让人头疼。更麻烦的是，当你把问题丢给AI助手时，它给你一个漂亮的回答，但你根本不知道这个答案是从哪里来的，更不知道该不该相信它。
这种困境催生了一个很自然的疑问：AI能不能像一个真正懂事的向导，不只是告诉你答案，还能直接在网页上指给你看"就是这里"？研究团队正是从这个出发点，开发出了一款名为**PageGuide**的浏览器插件。
一、三个让人头疼的老问题
先说说现有AI助手碰到的麻烦，这样你才能感受到PageGuide究竟解决了什么。
假设你在看亚马逊河的维基百科页面，好奇地问AI：内华达米斯米山（Nevado Mismi）流出来的那条溪流叫什么名字？ChatGPT Atlas给了你一个完全正确的答案，但它只是把答案打在聊天框里，网页上什么都没有变化。你只能用眼睛在一大片密密麻麻的文字里慢慢找，试图确认AI说的是不是真的——这就好比有人告诉你宝藏埋在森林里某处，却不给你地图，只告诉你坐标数字。
第二个场景是在TradingView图表网站，你问AI怎么移动价格刻度，它告诉你要点击齿轮图标、进入设置、找到"Scales"选项卡……说得头头是道，但网页上那个齿轮图标在哪儿？AI没有指出来，你只能自己瞪着屏幕到处找。
第三个场景更让人无奈。你在浏览一个社交媒体上关于C罗（Ronaldo）的帖子，觉得那些负面评论影响心情，于是问Gemini Agent能不能帮你把那些内容藏起来。AI礼貌地告诉你，"我没办法直接在网页上隐藏评论，但可以帮你分析……"——然后那些讨厌的评论还是大剌剌地摆在屏幕上。
这三个场景揭示了现有AI工具的共同软肋：回答和网页是分离的。AI在聊天框里说话，网页保持原样，用户被迫在两者之间来回奔波验证。研究团队把这个问题定义为"输出与页面的脱节"，而PageGuide的核心使命，就是把这条鸿沟填上。
二、PageGuide的核心思路：让答案"长"在网页上
研究团队提出的解决思路，可以用一个直觉性的比喻来理解：把AI的答案从聊天框里搬到网页本身上，像在书上用荧光笔划重点一样，直接把证据标注在原文里。
技术上，PageGuide是一个基于Manifest v3规范的Chrome浏览器插件，支持微软Edge等主流浏览器。它在网页加载后，把整个网页的HTML代码（也就是构成网页的底层骨架）转换成一张"元素索引表"，给页面上每一个可见的文字块、按钮、链接都分配一个编号，记录它们的内容、类型以及在屏幕上的位置。这张索引表就像是网页的"户口本"，让AI能够精确地指代某个具体的元素，而不是模糊地说"在某个地方"。
基于这个索引表，PageGuide设计了三种工作模式，分别对应用户在浏览网页时最常遇到的三类需求：查找信息、跟着步骤完成任务、屏蔽干扰内容。
在用户输入一个问题之前，系统首先会用一个"意图路由器"来判断这个问题属于哪种模式。路由器本质上是一次AI调用，它根据问题的表述和当前网页的基本信息（如标题、内容类型），判断用户是想查找信息、想要操作指引，还是想隐藏某些内容，然后把任务分发给对应的处理模块。研究团队在一千两百多条问题构成的测试集上评测了这个路由器，整体准确率高达97.68%，几乎不会把一个问题送错地方。
三、"找信息"模式：把荧光笔画到网页上
当你问一个关于页面内容的问题时，PageGuide进入"Find"（查找）模式。
AI在回答时，不会只给你一段普通文字，而是在答案中嵌入特殊的引用标注，格式类似于"卡鲁阿桑塔河（Quebrada Carhuasanta）[2:'Quebrada Carhuasanta']从内华达米斯米山流出"——方括号里的数字是那个文字在网页上的编号，引号里是要高亮显示的原文片段。
PageGuide拿到这个带引用的答案后，立刻找到网页上对应编号的元素，把那段文字用彩色动画覆盖层标注出来，并自动滚动网页让视野跳到第一个引用的位置。与此同时，侧边面板里显示完整答案，每个引用都是可点击的链接——你点一下"卡鲁阿桑塔河[2]"，网页就立刻跳到并突出显示那个词，方便你对照原文核实。
配色方面，系统用了一套"亮度感知调色板"，根据网页背景的深浅自动选择标注颜色，确保高亮在任何页面上都清晰可辨，不会被背景色淹没。
如果答案根本不在当前页面上，PageGuide也不会就此罢手。它会明确告知"这个信息在当前页面找不到"，然后基于自身知识库给出答案，并附上可点击的外部链接，链接还会尽可能附带Chrome的"文本片段"参数，让你点击后自动跳转到目标网页并高亮显示对应段落。
四、"跟着做"模式：一步一步陪你走
当你的问题是"怎么操作某件事"时，PageGuide进入"Guide"（引导）模式。
普通AI助手给你一份操作说明，通常是一段文字，把所有步骤一次性列出来。问题是，这份说明和网页是两回事，你要不停地在说明和网页之间切换视线，还要自己判断"设置"在哪里、"协作者"按钮长什么样。一旦网页版本更新了，AI的说明可能就对不上了。
PageGuide的做法截然不同。AI首先生成一个完整的操作计划，但不会把所有步骤一次性丢给你，而是每次只展示一步。当前步骤的目标元素——比如"设置"标签——会在网页上出现一个脉冲跳动的信标，就像一个在屏幕上闪烁的箭头。侧边面板显示当前步骤的说明文字，以及对下一步会发生什么的简短预告。面板底部有两个按钮："下一步"和"停止"。只有当你点击"下一步"确认操作后，系统才会重新读取当前页面的HTML，根据新的页面状态生成下一步指引。
这种设计被研究团队称为"混合主动协作"模式，核心是用户始终掌握主动权。AI建议，用户确认，每一步都有人眼把关，不会因为AI的误判而产生意外操作。
以"如何在GitHub项目里添加某位协作者"为例，系统会先指引你点击"Settings"标签，待你确认后，再引导你进入"Collaborators"页面，然后告诉你输入密码确认身份，再找到"Add people"按钮，最后搜索目标用户的账号——整个流程被拆解成五个独立步骤，每一步都有网页上的视觉指引。
如果中途某一步点击后页面没有如预期发生变化（比如按钮点了但没有跳转），系统会自动检测到这种偏差，重新读取当前页面，重新规划后续步骤，相当于有一个容错恢复机制。
五、"屏蔽内容"模式：让干扰主动消失
当你说"帮我把广告藏起来"或者"隐藏关于Ronaldo的负面评论"时，PageGuide进入"Hide"（隐藏）模式。
与传统广告拦截器依靠固定规则不同，PageGuide让AI理解你的意图，然后在网页的元素索引表上逐一评判每个元素是否符合你想隐藏的条件，返回一份匹配元素的清单，每条记录都附带一句解释——比如"这条内容标注了'Ad'广告标签，符合隐藏广告的请求"，以及该元素的内容片段供你预览。
在任何元素被真正隐藏之前，屏幕上会弹出一个确认对话框，把所有待隐藏的元素列出来，每一条默认勾选，但你可以逐条取消勾选。你还可以点击每一条旁边的跳转按钮，让页面滚动到那个元素的位置，亲眼检查一下再决定。确认后点击"隐藏"，系统才会对勾选的元素应用CSS的`display:none`属性，让它们在视觉上消失，但不会真正删除页面代码，不影响周围其他内容的布局。
这种"确认后才执行"的设计，是研究团队在透明度和可控性方面的刻意选择：用户不是被动接受AI的判断，而是最终决策者。
六、真实用户测验：数字背后的故事
光靠设计理念还不够，研究团队招募了94名参与者（全部是大学本科到研究生阶段的学生）在实验室里进行了一次受控测验。每个人要完成六个任务，三种模式各两个，每种模式下一个任务用PageGuide，另一个不用。任务顺序经过随机化处理，尽量排除"做了第一个任务积累经验，第二个因此更快"的干扰效应。
查找准确率方面，不用PageGuide时，参与者的平均正确率是81%，用了之后提升到86%。提升幅度不算巨大，研究团队解释这是因为查找任务本身并不太难，基线就已经很高了，天花板效应限制了提升空间。
操作引导的完成率变化最为显著。在没有PageGuide帮助的情况下，只有23%的参与者能够成功完成多步骤操作任务，用了PageGuide之后这个比例跳升到53%，足足多了30个百分点。这个数字背后是很多人在没有引导时感到迷茫、中途放弃的现实。统计检验显示这个差异极为显著，几乎可以排除偶然因素。
内容屏蔽的准确率变化同样惊人。不用PageGuide时，参与者平均只能正确识别并隐藏30%的目标内容，用了之后提升到56%——提升了26个百分点。手动找出所有需要隐藏的内容，本来就是一件非常费眼力的事，AI的语义理解能力在这里发挥了替代人工扫描的作用。
完成时间方面，查找任务从平均65.2秒降到52.8秒，减少了约19%。内容屏蔽的时间压缩最为夸张，从平均104秒骤降到31.7秒，减少了约70%，相当于原来需要将近两分钟，现在半分钟就能搞定。操作引导任务在只统计成功完成的情况下，从平均95.8秒降到66.7秒，减少约30%。
行为数据层面，用Ctrl+F搜索的频率从平均每个任务0.26次降到0.05次，减少了80%。鼠标滚动次数从约13次减到5次，减少约60%。鼠标点击次数从8.22次减到4.78次，减少42%。文本选中操作频率从0.18次减到0.08次，减少55%。鼠标移动的总像素距离从6968像素降到5490像素，减少21%。这些数据合在一起，描绘出的是用户在"用眼睛在屏幕上到处找"这件事上的劳动量大幅减少。
值得一提的是，在操作引导模式下，页面访问次数和鼠标移动距离反而有所增加，但研究团队认为这不是问题，而是符合预期的现象——引导本来就要带领用户跨越多个页面完成任务，这些"额外的移动"是朝着正确目标前进，而非漫无目的的迷路。
七、用户自己怎么说
除了客观数据，研究团队还用7分制李克特量表收集了参与者的主观感受。
对于查找模式，91%的参与者认为PageGuide能准确找到他们需要的信息，83%觉得查找任务因此更容易了，51%认为没有它就很难完成任务。后者比例相对低，验证了前面说的基线较高的判断——部分任务即便不用插件，有耐心的人也能做到。
对于操作引导，74%认为PageGuide给出的引导是正确的，77%觉得任务因此更容易，55%认为没有它会很难完成。值得关注的是，主观满意度（74-77%正面评价）比客观完成率（59%）高，说明即便没能全部完成，用户仍然感受到了帮助——引导模式让人们愿意坚持尝试，而不是早早放弃。
对于屏蔽内容，89%觉得任务更容易，72%觉得没有它会很难完成——这是三种模式里主观感受最正面的，说明手动筛选内容对用户来说确实是一件让人头疼的事。
此外，研究团队还分析了参与者自我报告的任务完成情况。在屏蔽内容任务上，控制组（不用插件）只有28%的人达到完全完成，使用PageGuide后这个比例跳到83%，同时主观评分也最高，两者高度吻合——当任务边界清晰、结果直接可验证时，客观成绩和主观感受往往是同步的。操作引导任务则出现了有趣的分叉：控制组要么完成要么放弃，中途部分完成的比例低；而用PageGuide的组里，部分完成的比例明显升高，说明有引导的情况下，人们更愿意坚持走更多步骤，哪怕最终没能抵达终点。
八、系统的不完美之处：研究团队坦然承认的局限
PageGuide并非没有问题，研究团队在论文里坦诚列出了几点局限。
当前路由器每次只能把一个问题分配给一种模式，但现实中有些问题是复合的，比如"帮我找到设置页面，然后引导我改密码"——这既需要"查找"也需要"引导"，目前的系统无法同时处理。未来的改进方向是用一个多步骤规划器，把复合任务拆解成一系列模式调用的序列。
网页高亮只在当前页面有效，如果用户在多个页面之间导航拼凑信息，就必须在每个页面重新提问。更好的做法是跨页面持久化高亮记录，让用户能在一次会话里积累多页面的证据。
操作引导的逐步确认机制对于已经熟悉操作的用户来说会增加额外的点击负担。未来可以探索自适应步骤粒度，把显而易见的操作合并成一步确认，并引入"跳过这一步"或"撤销上一步"的功能。
内容屏蔽没有跨会话的记忆能力，每次打开页面都需要重新告诉系统想屏蔽什么。理想的做法是保存用户的偏好历史，在重复访问的页面自动应用，并提供管理和编辑保存偏好的界面。
九、PageGuide之外：更多功能的探索
论文还介绍了PageGuide在三种核心模式之外的扩展能力。
PDF阅读功能允许用户上传一个PDF文件（比如一篇学术论文或者一份报告），直接在插件里提问，系统会基于文档内容给出带引用的答案，就像对待网页一样。这对于需要在技术文档里快速定位信息的用户很有用。
视觉问答功能允许用户上传一张图片并提问，系统的回答会同时锚定到网页的文字内容和图片的特定区域上，两者都有视觉高亮标注。比如你上传了一张猫科动物的照片，询问它和网页上描述的某种老虎是不是同一个物种，系统会同时标注网页上的相关段落和图片里对应的区域。
"离页模式"（Page-Off）允许用户提问那些和当前页面完全无关的问题，系统会调用更广泛的知识库作答，并附上来自互联网的外部链接作为依据。这让插件在用户的信息需求超出当前页面范围时也能保持有用。
说到底，PageGuide在解决的，是一个每天困扰着无数普通网络用户的根本矛盾：AI越来越能说，但它说的话越来越难以对照现实验证。研究团队用"把答案锚定在页面上"这个看起来简单的思路，实实在在地在三种最常见的使用场景里让任务完成率和完成速度都有了可以量化的改善。
对于那些每天在长网页里找特定信息的人，每次在陌生平台摸索操作步骤的人，以及那些希望对自己的浏览体验有更多掌控权的人，这项研究提出了一个值得关注的方向：AI帮助不应该结束在聊天框里，而应该延伸到网页本身，变成用户眼前那层透明的、可验证的导航层。
有兴趣深入了解技术细节的读者，可以通过arXiv编号2604.23772查阅完整论文，该研究的代码和演示也在PageGuide.github.io上公开提供。
Q&A
Q1：PageGuide的"查找"模式和普通的Ctrl+F搜索有什么不同？
A：普通Ctrl+F只能精确匹配你输入的关键词，不理解语义。PageGuide的查找模式可以理解自然语言问题，找到与问题相关的证据段落并直接在网页上高亮标注，还会在侧边栏给出完整的语言解释，每个关键词都是可以点击跳转到原文位置的引用链接，相当于帮你既找到答案又指出出处。
Q2：PageGuide的操作引导模式和直接问ChatGPT怎么操作有什么区别？
A：ChatGPT给的操作说明是静态文字，和网页是分开的，你要自己对照着找按钮。PageGuide的引导模式会在网页上实时高亮当前步骤要操作的具体元素，每次只展示一步，用户确认后才进行下一步，如果页面发生意外变化还会自动重新规划，整个过程用户始终掌握主动权，不会因为AI的误判触发不想要的操作。
Q3：PageGuide的内容屏蔽功能和AdBlock等广告拦截器有什么区别？
A：AdBlock依赖预先定义的规则，只能拦截已知的广告模式，遇到新型广告或者非标准布局就无能为力。PageGuide的屏蔽模式用AI理解用户用自然语言描述的隐藏意图，可以根据语义含义匹配元素，比如"隐藏关于某个话题的负面评论"这种描述，是基于规则的工具做不到的。而且PageGuide每次屏蔽前都会弹出确认对话框，让用户逐条审查再决定。