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。

与传统的基于dom解析和XPath的自动化工具不同，Skyvern能实时解析网页内容，创建交互计划和执行计划，提高了自动化的灵活性和鲁棒性。Skyvern支持解决CAPTCHA、处理双因素认证、用代理网络，提供了可解释的AI功能，支持用户审查AI的每一步操作。

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。

主要功能

• CAPTCHA解决：Skyvern能自动识别、解决CAPTCHA，自动化需要人类验证的工作流程。
• 双因素认证（2FA/MFA）支持：Skyvern支持登录需要双因素认证的用户账户，包括处理2FA和MFA代码，让自动化流程覆盖需要身份验证的场景。
• 代理网络：Skyvern支持用代理网络，支持用户针对特定国家、州或邮政编码级别的定位，对于需要模拟特定地理位置的自动化任务非常有用。
• 可解释的AI：Skyvern提供内置的摘要功能，支持用户检查AI执行的每一步操作，增加自动化流程的透明度和可追溯性。
• 数据提取：Skyvern从工作流程中提取数据，支持多种数据模式，包括CSV或JSON格式，方便用户对数据进行进一步的处理和分析。

技术原理

• 大型语言模型（LLMs）：Skyvern用大型语言模型理解和生成自然语言，用在理解和执行基于文本的指令，和生成描述其操作的文本。
• 计算机视觉：Skyvern用计算机视觉技术解析和理解网页上的图像和视觉元素。能识别和操作网页上的非文本元素，如按钮、图片和图表。
• 浏览器自动化：Skyvern基于自动化浏览器操作模拟用户行为，如点击、滚动、填写表单等。用自动化库如Playwright实现。
• 抗布局变化：Skyvern不依赖于静态的DOM结构或XPath选择器，而是实时解析视口中的项目，能适应网页布局的变化。
• 可解释的AI：Skyvern提供内置的摘要功能，支持用户检查AI执行的每一步操作，增加自动化流程的透明度和可追溯性。
• 数据提取：Skyvern能从网页中提取数据，支持多种数据模式，如CSV或JSON，方便用户对数据进行进一步的处理和分析。

仅供个人学习参考/导航指引使用，具体请以第三方网站说明为准，本站不提供任何专业建议。如果地址失效或描述有误，请联系站长反馈～感谢您的理解与支持！

链接: https://fly63.com/nav/4920