skyvern

图1：Skyvern 官方标识

场景切入：当RPA遇到AI大脑

你是一名保险公司的数据录入员。每天早上，你都要登录 Geico 保险官网，手动填写表格、查询保单、核对信息——机械重复、枯燥乏味，而且稍不留神就会填错字段。传统的 RPA（机器人流程自动化）工具虽然能帮你省点力气，但一旦网页改版，脚本就失效了，工程师得花一整天重新调试 XPath。

Skyvern 想解决的就是这个问题——它让 AI 当你的浏览器"驾驶员"，用视觉大模型理解网页长什么样，再用一系列 AI Agent 自动规划并执行操作。你不需要写任何 XPath，也不用担心网页改版——只要告诉 AI 你想做什么，它会自己看、自己点、自己填。

项目背景：从开源实验到商业化产品

Skyvern 由 Skyvern AI 公司开发并开源，最初是作为一个实验性项目，探索如何将 LLM 与浏览器自动化深度结合。它的灵感来自 BabyAGI 和 AutoGPT 等任务驱动型自主 Agent 设计，但 Skyvern 额外赋予了 Agent 与真实网站交互的能力——通过 Playwright 控制真实浏览器。

目前该项目已获得超过 21,700 颗 GitHub Stars，拥有活跃的 Discord 社区和完整的商业文档网站（skyvern.com）。除了开源代码外，Skyvern AI 还提供托管云服务，形成了"开源社区 + 商业变现"的商业模式。

图2：Skyvern 2.0 系统架构图

核心技术：如何让AI"看懂"网页

视觉大模型驱动的网页理解

传统的浏览器自动化依赖 DOM 解析和 XPath 定位——网页结构一变，自动化脚本就瘫痪。Skyvern 的核心创新在于用视觉大模型（Vision LLM）代替 XPath：

• AI Agent 截取网页截图，直接"看"到页面上有哪些按钮、输入框、下拉菜单
• 通过自然语言理解用户目标（如"找到保单号输入框并填入 XYZ123"）
• 结合网页视觉信息和上下文，规划出一系列操作步骤
• Playwright 在后台执行这些操作，模拟真实用户行为

这套机制使得 Skyvern 可以在从未见过的网页上工作，真正实现"通用浏览器自动化"。

Agent Swarm（Agent 蜂群）架构

Skyvern 采用多 Agent 协作架构，而非单一 Agent 包办一切。系统内有多个专业化 Agent：

• Browser Agent：负责与浏览器交互，执行具体操作（点击、输入、截图等）
• LLM Agent：负责理解用户意图，规划操作步骤，生成自然语言指令
• Context Agent：管理任务上下文、历史状态，确保长流程任务的一致性
• Extraction Agent：专门负责从网页中提取结构化数据

这些 Agent 通过消息队列协作，形成一个分工明确的"AI 蜂群"。

功能全景：不止是浏览器自动化

三大使用模式

Skyvern 支持从技术到非技术用户的完整使用层级：

模式	适用用户	说明
Python SDK	开发者	提供 Playwright 兼容 SDK，代码驱动自动化
REST API	集成方	提供完整 HTTP API，可接入任何系统
No-Code 工作流编辑器	业务人员	Web UI 拖拽编排自动化流程

核心功能模块

• 工作流管理：创建、调度、监控自动化任务，支持定时触发和事件触发
• 多网站支持：任何公开网站均可自动化，覆盖电商、金融、政府、医疗等场景
• 数据提取：从网页中提取结构化数据（JSON/CSV），支持 PDF 解析
• 身份验证：集成 1Password/LastPass 等密码管理器，支持 OTP 双因素认证
• 云存储：Azure Blob 集成，支持 artifacts、videos、logs 的云端持久化
• MCP Server：支持 Model Context Protocol，可被 Claude Desktop 等工具调用

丰富的 LLM 支持

Skyvern 不绑定特定 AI 提供商，支持自由切换：

• Anthropic Claude（主力推荐）
• OpenAI GPT-4 / GPT-4o
• Google Vertex AI（Gemini 等）
• 本地模型（Ollama / LiteLLM 中转）

这种灵活性让用户根据成本、性能、合规需求自由选择 AI 引擎。

上手体验：10分钟跑通第一个自动化

安装（Python SDK 模式）

pip install skyvern

需要 Python 3.11 以上，并配置 LLM API Key（.env 文件）：

OPENAI_API_KEY=sk-...
ANTHROPIC_API_KEY=sk-ant-...

然后编写 Python 脚本：

from skyvern import Skyvern

sv = Skyvern(api_key="...")
task = sv.create_task(
    url="https://www.example.com/form",
    goal="填写表单：姓名为张三，电话为13800138000"
)
result = sv.wait_for_completion(task['task_id'])
print(result)

Docker Compose 一键部署（推荐）

git clone https://github.com/Skyvern-AI/skyvern
cd skyvern
cp .env.example .env
# 编辑 .env 填入 API Key
docker compose up -d

访问 http://localhost:8080 即可打开 Web UI，在浏览器中拖拽编排自动化工作流。

Web UI 界面

图3：Skyvern 工作流录制示例（Geico 保单自动化）

技术架构拆解

项目结构

skyvern/ 核心 Python 包：core（任务调度）、forge（Agent 框架）、webeye（Playwright 封装）、cli、client、services、schemas skyvern-frontend：React Web UI skyvern-ts：TypeScript SDK kubernetes-deployment：K8s 部署清单 docker-compose.yml

技术栈一览

层级	技术选型
后端框架	FastAPI + Starlette
数据层	PostgreSQL + Alembic ORM 迁移
浏览器控制	Playwright
异步处理	asyncio + aiohttp
日志/追踪	OpenTelemetry + structlog
LLM 中转	LiteLLM（统一接口）
前端	React（skyvern-frontend）
SDK	Python + TypeScript 双版本
容器化	Docker + Kubernetes

代码质量

项目代码质量较高：配置了 .flake8、.yamlfmt、mypy.ini 进行静态检查，pytest.ini + conftest.py 提供完整测试框架，pre-commit 钩子规范提交格式。文档方面有独立的 docs/ 目录、API 文档（Fern）和 SECURITY 政策。

局限与挑战

尽管 Skyvern 功能强大，但实际使用中仍有一些局限：

1. 成本考量：每次自动化任务都需要调用 LLM API，复杂任务可能消耗大量 token。官方建议生产环境使用 Claude Haiku 等低成本模型处理简单步骤。

2. 速度瓶颈：AI 决策需要时间，一个简单的网页操作可能需要几秒到几十秒，远慢于传统 RPA 的毫秒级响应。

3. 复杂交互有限：对于需要 JavaScript 深度交互（如 WebSocket 实时数据、复杂动画）的网站，Skyvern 的表现仍不稳定。

4. API Key 依赖：必须拥有 LLM 提供商的 API Key（且需要付费），不支持完全离线的本地化部署（除非自建 LLM 服务）。

5. 维护成本：虽然比传统 RPA 抗网页改版能力强，但视觉模型的 prompt 仍需根据不同网站特性调优。

行业意义与趋势

Skyvern 代表了**"AI + 浏览器自动化"** 这一新兴赛道的成熟化。其核心价值在于将 AI 的理解能力注入传统 RPA，解决了 RPA 最头疼的"脆弱性"问题。

从行业趋势看：

• RPA 智能化：传统 RPA 厂商（UiPath、Power Automate）正在引入 AI 能力，Skyvern 的开源路线提供了可参考的技术路径
• Agent Economy：随着 Agent 架构标准化，类似 Skyvern 的"AI + 浏览器"工具有望成为 Agent 与真实世界交互的标准接口
• No-Code AI：Web UI 工作流编辑器的存在，意味着 AI 自动化正在向非技术用户下沉

Skyvern 的开源策略也值得关注：通过开源建立开发者生态，通过云服务实现商业变现，形成健康的社区-商业双轮驱动。

图4：Skyvern 深色模式标识