Skyvern 浏览器自动化平台：如何 10 分钟跑通第一条 AI 工作流

Skyvern 浏览器自动化平台：如何 10 分钟跑通第一条 AI 工作流

【免费下载链接】skyvernAutomate browser based workflows with AI项目地址: https://gitcode.com/GitHub_Trending/sk/skyvern

Skyvern 是一个开源的浏览器自动化平台，你给它一句自然语言目标，它自己驱动浏览器完成登录、填表、提取、下载，不需要你维护任何选择器。适合想替代传统脚本化 RPA 的开发者、内部工具团队，以及需要处理多个外部网站操作的业务人员。

一个保险报价的真实场景

某保险经纪公司每月要从 20 家供应商门户拉取报价。过去由专人逐家操作：登录、填车型信息、提交、记录报价，一次约 15 分钟，且经常因页面改版或漏填字段返工。

接入 Skyvern 后，流程变成：一个工作流自动登录各供应商系统，填写报价表单，把最终保费提取为 JSON 并汇总。同一种"登录—填表—提取"的组合，换成供应商发票下载、政府系统登记，只需要改提示词和凭据，不需要重写脚本。

三步看懂感知-执行循环

Skyvern 执行循环示意：对同一页面反复执行"截图—LLM 规划—动作执行"，直到目标达成

每个任务按循环推进，一轮只有三步：

1. 截屏。把当前页面截图连同任务目标、已执行动作一起交给视觉 LLM。
2. 规划。LLM 识别页面可交互元素，返回下一步动作（填写某字段、点击某按钮、提取数据）。
3. 执行。Playwright 引擎在内置 Chromium 中执行动作，然后回到第 1 步，直到目标达成或触达步数上限。

关键点在于：它不依赖预写死的 XPath 或 CSS 选择器，靠的是对页面截图的理解。网站改版后通常只需微调提示词，而不是修脚本。

把部署压到两条命令

最短路径是 Docker Compose：

git clone https://gitcode.com/GitHub_Trending/sk/skyvern && cd skyvern cat > .env <<'EOF' ENABLE_OPENAI=true OPENAI_API_KEY=你的密钥 LLM_KEY=OPENAI_GPT5_5 EOF docker compose up -d

它会拉起 Postgres、API 服务和 Web UI 三个容器。1–2 分钟后访问http://localhost:8080即可用；API 密钥自动生成在.skyvern/credentials.toml。在 UI 里新建一个 Task，写入目标"打开 Hacker News，提取排名第一的帖子标题"，点 Run 就是第一个最小用例——Recording 标签页会逐步回放每一步的截图、动作和 LLM 的推理。

不想装 Docker 的话，pip 路径同样可用：

pip install "skyvern[all]" skyvern quickstart

quickstart默认使用 SQLite，免去数据库配置。Python 要求 3.11–3.13。

首次启动的三个常见坑

• 403 Invalid credentials：密钥复制不完整。删掉.skyvern目录重启服务即可重新生成，注意不要在密钥前后带入换行符。
• 端口与监听：容器默认只监听 localhost；要暴露到局域网，需要改docker-compose.yml的端口绑定，并自行在反代层加鉴权。
• 内存：浏览器跑在 API 容器内，文档建议 4GB 起步、生产 8GB 以上，内存不足时任务会明显变慢或被系统杀掉。

让登录和 2FA 不再是手动环节

很多网页流程的卡点在登录。Skyvern 的凭据体系支持自有凭据、Bitwarden、1Password 和自定义 HTTP 凭据接口四种来源，凭据 ID 直接绑定到工作流的登录块上。二次验证支持 TOTP 动态口令，来源覆盖 QR 扫码、邮箱和短信下发的三种形态。

登录块只需要描述目标和引用的凭据，不要把明文密码写进提示词。适合供应商门户、内部后台这类必须登录的系统；对完全不涉及登录的公开网站，这一节可以跳过。

用块库把多步流程固化下来

Skyvern 工作流编辑器：左侧画布串联登录块与任务块，右侧块库按需添加登录、提取、验证、循环等模块

单步目标用 Task 就够了；一旦流程超过三步且需要固定顺序，就值得固化成 Workflow。编辑器左侧画布按箭头串联块，右侧块库提供登录块、浏览器任务块、提取块、验证块、For 循环、HTTP 请求块、文件解析块等类型，全部可参数化。

一个典型组合是：登录块进入供应商后台，任务块筛选出本季度发票列表，循环块逐条下载，最后汇总输出。这条工作流之后每次执行只改参数（账期、客户名），不改结构。

让输出变成可以消费的 JSON

给任务传入data_extraction_schema后，Skyvern 的提取结果会按你声明的字段返回，而不是自然语言段落。这样下游 API、脚本或表格就能稳定消费结果，不用每次写解析逻辑。

每次运行还带有完整录像：每一步的截图、执行的动作、LLM 的推理记录都在。任务失败时，回放录像通常能定位到具体是哪一步的哪个判断偏了。

Skyvern Runs 页面的 Recording 标签页：回放浏览器每步操作，并展示对应的 LLM 推理与最终 JSON 输出

边界与限制，先看清再上线

• 成本随步数线性增长。每走一步就是一次截图加一次 LLM 调用，MAX_STEPS_PER_RUN（默认 10）是最直接的预算阀门，复杂任务要按需调大并接受相应成本。
• 自托管版没有云端的住宅代理池和验证码求解。批量访问有风控的外部网站容易被拦截，这是自部署与云服务差距最大的一项；内网系统则不受此影响。
• 浏览器与 API 同容器运行。多任务并发时内存线性上涨，需要横向扩容时应切到 Kubernetes 部署，仓库内kubernetes-deployment/目录有现成清单。
• LLM 是硬前提。所有规划都依赖你提供的模型密钥（OpenAI、Anthropic、Bedrock、Gemini、Ollama 等），模型选型直接决定每一步的准确性和单价。

延伸资料

自托管的前置条件、浏览器模式和存储配置见 docs/developers/self-hosted/；数据库迁移脚本按时间戳排在 alembic/versions/，升级排障时可对照版本差异；浏览器自动化 SDK 封装在 skyvern/library/，任务执行核心逻辑在 skyvern/webeye/。

【免费下载链接】skyvernAutomate browser based workflows with AI项目地址: https://gitcode.com/GitHub_Trending/sk/skyvern