Skyvern：用 AI+视觉驱动浏览器自动化

一、前言

• Skyvern 是一个开源的自动化平台，结合了 LLM 与计算机视觉，能够像人类一样理解和操作网页。它不仅能自动化常规的表单填写、按钮点击，还能识别复杂的页面结构、处理动态内容，甚至支持多步工作流的自动化执行。
• 本文将从项目架构、环境搭建、核心功能、实战案例、二次开发等多个维度，带你深入理解并高效上手 Skyvern。

---

二、项目概览

2.1 Skyvern 项目简介

Skyvern 由 Skyvern-AI 团队开源，主打“用 LLM+CV 自动化浏览器操作”，支持多种主流大模型（如 OpenAI、Gemini、Novita 等），并可通过 API 进行扩展。其核心亮点包括：

• LLM 驱动：通过自然语言理解页面内容和用户意图，自动生成操作序列。
• 计算机视觉：识别页面元素、处理复杂布局，突破传统 DOM 定位的局限。
• 多模型兼容：支持 OpenAI、Gemini、Novita 等主流模型，灵活切换。
• 工作流编排：支持多步任务链式执行，适合复杂业务流程自动化。
• 可视化与可扩展性：提供 Streamlit/React UI，便于任务管理和二次开发。

2.2 代码结构与模块划分

根据官方仓库结构，Skyvern 主要包含以下核心目录：

• skyvern/：后端主逻辑，包含 LLM 调用、CV 处理、任务编排等。
• skyvern-frontend/：前端 UI，支持任务配置、运行监控、结果展示。
• integrations/：第三方集成模块，如与 Playwright、Selenium 等的对接。
• evaluation/：评测与基准测试相关代码。
• scripts/：常用脚本，如环境初始化、数据处理等。
• .streamlit/：Streamlit UI 配置。
• alembic/：数据库迁移相关。

---

三、环境搭建与快速上手

3.1 环境准备

3.1.1 系统与依赖

Skyvern 推荐在 Linux/MacOS 环境下运行，Windows 亦可通过 WSL 兼容。主要依赖包括：

• Python 3.9+
• Node.js（用于前端构建）
• Docker（可选，便于一键部署）
• Chrome/Chromium 浏览器（自动化驱动）

3.1.2 克隆项目

git clone https://github.com/skyvern-ai/skyvern.git
cd skyvern

3.1.3 安装 Python 依赖

建议使用虚拟环境：

python3 -m venv venv
source venv/bin/activate
pip install -U pip
pip install -r requirements.txt

3.1.4 配置环境变量

复制并编辑 .env.example：

cp .env.example .env

根据你的 LLM 服务（如 OpenAI、Gemini、Novita）填写对应的 API Key。例如：

OPENAI_COMPATIBLE_MODEL_NAME=gpt-3.5-turbo
OPENAI_COMPATIBLE_API_KEY=sk-xxxxxx
OPENAI_COMPATIBLE_API_BASE=https://api.openai.com/v1

3.1.5 启动服务

# 启动后端
python -m skyvern# 启动前端（可选）
cd skyvern-frontend
npm install
npm run dev

或使用 Docker 一键启动：

docker-compose up --build

3.2 验证安装

访问本地 UI（如 http://localhost:8501 或 http://localhost:3000），应能看到 Skyvern 的任务管理界面。

---

四、核心功能与实战演练

4.1 LLM+CV 自动化原理

Skyvern 的核心在于将 LLM 的自然语言理解能力与计算机视觉的元素识别能力结合，实现“像人一样”操作网页。其基本流程如下：

1. 页面分析：通过浏览器截图、DOM 抓取等方式，获取页面结构与视觉信息。
2. 意图解析：LLM 解析用户输入的自然语言指令，生成操作意图。
3. 元素定位：结合 CV 模型和 DOM 信息，精准定位目标元素。
4. 动作执行：通过 Playwright/Selenium 等驱动，完成点击、输入、滚动等操作。
5. 多步编排：支持链式任务，自动处理页面跳转、弹窗等复杂场景。

4.2 典型用例实操

4.2.1 自动化登录流程

以自动登录 GitHub 为例，Skyvern 的任务配置如下：

steps:- description: "打开 GitHub 登录页"action: "navigate"url: "https://github.com/login"- description: "输入用户名"action: "type"selector: "input[name='login']"value: "your_username"- description: "输入密码"action: "type"selector: "input[name='password']"value: "your_password"- description: "点击登录按钮"action: "click"selector: "input[type='submit']"

你也可以直接用自然语言描述任务，Skyvern 会自动解析：

“打开 GitHub 登录页，输入用户名和密码，点击登录。”

4.2.2 复杂表单自动填写

对于多级表单、动态加载的页面，Skyvern 能自动识别表单结构，逐步填写并提交。例如：

“在某招聘网站注册账号，填写所有必填项，上传简历，提交注册。”

Skyvern 会自动处理文件上传、验证码识别（如集成第三方打码服务）、多步跳转等。

4.2.3 数据采集与爬取

Skyvern 支持自动化采集网页数据，并可将结果导出为 CSV/JSON。例如：

“抓取某电商网站前 10 页的商品名称和价格，保存为 CSV。”

Skyvern 会自动翻页、提取数据，并生成结构化文件。

4.3 工作流编排与调试

Skyvern 支持多步任务链式编排，可视化管理每一步的输入输出。你可以在 UI 中拖拽、编辑每个步骤，实时查看执行结果和日志，便于调试和优化。

---

五、进阶玩法与二次开发

5.1 自定义集成与插件开发

Skyvern 设计了灵活的插件机制，便于集成自定义 LLM、CV 模型或第三方服务。例如，你可以接入自有的 OCR 服务、验证码识别 API，或扩展支持新的浏览器驱动。

5.1.1 新增 LLM 支持

在 .env 中配置新的 LLM 接口参数，并在 skyvern/llm/ 目录下实现对应的适配器即可。

5.1.2 集成自定义动作

在 skyvern/actions/ 目录下新增自定义动作（如特殊的文件上传、复杂交互等），并在任务配置中调用。

5.2 与 CI/CD、测试平台集成

Skyvern 支持通过 API 触发任务，便于与 Jenkins、GitHub Actions 等 CI/CD 工具集成，实现自动化回归测试、冒烟测试等。

5.2.1 API 调用示例

curl -X POST http://localhost:8000/api/run \-H "Content-Type: application/json" \-d '{"steps": [...]}'

5.3 典型应用场景

• AI 测试工程师：自动化 UI 测试、回归测试、兼容性测试。
• RPA 工程师：自动化办公流程、数据录入、报表生成。
• 数据分析师：自动化数据采集、网页爬虫。
• 产品经理/运营：无需编程即可配置自动化任务，提高效率。

---

六、最佳实践与常见问题

6.1 提高自动化稳定性的建议

• 优先使用视觉+DOM双重定位，提升元素识别准确率。
• 合理设置等待时间，处理异步加载和动画。
• 对于验证码、滑块等反爬机制，集成第三方识别服务或人工干预。
• 利用 Skyvern 的“调试模式”，逐步执行并观察每一步结果。

6.2 常见问题解答

Q1：如何处理动态页面元素？
A：Skyvern 结合 CV 和 DOM 信息，能自动适应元素位置变化。必要时可通过自定义 selector 或视觉锚点增强定位。

Q2：如何扩展支持新的 LLM 或 CV 模型？
A：参考 skyvern/llm/ 和 skyvern/cv/ 目录，按接口规范实现适配器，并在配置文件中切换即可。

Q3：如何关闭数据上报/隐私保护？
A：设置环境变量 SKYVERN_TELEMETRY=false 即可关闭遥测。

---

七、结语

Skyvern 以 LLM+CV 为核心，极大提升了浏览器自动化的智能化和易用性。无论你是 AI 测试工程师、RPA 开发者，还是自动化爱好者，都能在 Skyvern 中找到高效、灵活的解决方案。

---

参考链接：

• Skyvern GitHub 仓库
• Skyvern 官网