Skyvern：浏览器工作流自动化？

做过爬虫或者是Web自动化测试的兄弟都知道，我们最头疼的就是网页结构的频繁变动，一旦网站UI微调，脚本就得重写。辛辛苦苦写好的脚本，刚过几天，就突然间无法运行。然后一查发现，爬取的网站又进行了改版，之前代码里写的定位元素全变，接着改代码、测试等，这种情况极其痛苦。

今天给大家分享一款新出的也是“让AI像人一样帮你操作浏览器”的工具--Skyvern，可以完美解决这个痛点，另辟蹊径，无惧网页改版！

Skyvern

https://github.com/Skyvern-AI/skyvern

https://www.skyvern.com/

是一款基于AI和计算机视觉的浏览器自动化工具，通过大语言模型（如GPT-4V）和视觉识别技术，实现无需代码的网页操作自动化。它能自动识别按钮、输入框等元素，智能处理网页布局变化，适用于表单填写、数据抓取等场景。相比传统工具，Skyvern无需预设XPath，支持自然语言指令，例如“登录网站并下载发票”。安装简便，可通过Docker或Python包快速部署，适合非技术人员使用。

以前传统的浏览器自动化工具，大部分都是使用 Selenium，需要我们精确指定每个元素的位置。而 Skyvern 的做法不一样，它通过如 Gemini 这些多模态大模型来识别理解页面上的元素。通俗的理解，就是它能 “看到” 整个页面的截图内容，自我判断哪里是按钮、哪里是输入框、该点哪里、该填什么。它的核心逻辑非常有意思：它不依赖于预定义的XPath或CSS选择器。相反，它使用计算机视觉来识别网页上的按钮、输入框和链接，然后结合大模型（如GPT-4V）的推理能力，判断哪一个元素是完成任务所需的。

Skyvern 不仅能自适应页面布局的变化，还能通过自然语言来下达爬取任务。我们不需要再写复杂的代码，只需要简单告诉它具体需要执行什么任务即可。比如给 Skyvern 发送：“到京东搜索 iPhone 17 手机，并加入购物车”。接收到任务后，它便自动拆解成多个步骤：打开网站、找搜索框、输入关键词、点击搜索、识别商品、点击加购。就是这么简单，直接自然语言下达任务就行，即使不懂编程的朋友也能轻松实现自动化。

除了可以执行单个任务外，Skyvern 还支持我们自定义多个步骤，构建成一条自动化工作流。并且支持循环、条件判断、文件解析等功能，无需编写复杂代码，用日常语言就能下达任务，AI会自动拆解步骤执行。基本能覆盖大多数自动化场景。

比如要批量下载发票，只需创建工作流，设置“登录网站→筛选指定日期后的发票→提取列表→逐个下载”，系统会自动循环执行，下载文件自动存储，可通过UI查看进度。可以设计一个流程：先登录网站、筛选出某个日期后的发票、提取发票列表、逐个点击下载。

更强的是，Skyvern 还可以处理登录验证情况，能够对接 Bitwarden、1Password 这些密码管理器。支持双因素认证（2FA）、短信/邮箱验证，对接Bitwarden、1Password等密码管理器，自动处理登录和验证码问题。在执行自动化任务过程中，遇到需要登录账号的时候，自动填写相关信息进行登录。同时，还内置验证码求解器，如果在登录过程中遇到图形验证码也能处理，可谓是相当强大了。

可串联多个任务形成完整工作流，支持循环、条件判断、文件解析等功能，覆盖批量下载、多步骤表单填写等场景。可按自定义 schema 提取网页数据，支持JSON、CSV等格式输出，确保数据结构规范统一。提供云服务和本地部署两种方式，支持Docker快速启动，还能集成Zapier、N8N等工具，适配不同使用场景。