懂AI
skyvern

skyvern

自动化浏览器工作流，集成大语言模型与计算机视觉

Skyvern结合大语言模型（LLMs）和计算机视觉，提供简单的API端点，实现大量网站的工作流自动化，解决传统方法的不稳定性。无需定制代码即可操作新网站，对布局变化具有抗性，并能在多个网站上应用相同工作流。Skyvern云版本让用户无需管理基础设施即可运行多个实例，并提供反机器人检测、代理网络和验证码解决方案。

Skyvern自动化浏览器工作流LLM计算机视觉Github开源项目
访问官网GitHub

Skyvern - 自动化浏览器工作流的革命性工具

Skyvern 是一个创新的项目，旨在利用大型语言模型（LLM）和计算机视觉技术来自动化基于浏览器的工作流程。这个强大的工具提供了一个简单的 API 端点，可以在大量网站上完全自动化手动工作流程，取代了脆弱或不可靠的自动化解决方案。

工作原理

传统的浏览器自动化方法需要为网站编写自定义脚本，通常依赖于 DOM 解析和基于 XPath 的交互，这些方法在网站布局发生变化时很容易失效。Skyvern 采用了一种不同的方法：

  1. 它不仅依赖于预定义的代码交互，还使用提示、计算机视觉和 LLM 来实时解析视口中的项目。
  2. 系统能够创建交互计划并执行这些交互。

这种方法带来了几个显著的优势：

  1. Skyvern 可以在从未见过的网站上操作，因为它能够将视觉元素映射到完成工作流所需的操作，而无需任何定制代码。
  2. Skyvern 对网站布局变化具有抵抗力，因为系统在尝试导航时不会寻找预先确定的 XPath 或其他选择器。
  3. Skyvern 能够将单个工作流应用于大量网站，因为它能够推理完成工作流所需的交互。
  4. Skyvern 利用 LLM 来推理交互，确保能够覆盖复杂的情况。

主要功能

Skyvern 提供了多种强大的功能：

  1. 任务执行：任务是 Skyvern 的基本构建块，每个任务都是对 Skyvern 的单个请求，指示它浏览网站并完成特定目标。

  2. 工作流支持：工作流允许将多个任务链接在一起，形成一个连贯的工作单元。例如，下载发票、自动购物等复杂操作。

  3. 实时流媒体：Skyvern 允许将浏览器视口实时流式传输到本地机器，以便用户可以准确看到 Skyvern 在网上的操作。

  4. 表单填写：Skyvern 能够理解信息并相应地填写表单。

  5. 数据提取：能够从网站提取数据，并按照指定的模式返回结构化数据。

  6. 文件下载：能够从网站下载文件并在响应中返回文件链接。

  7. 认证支持：支持多种身份验证方法，包括密码管理器集成和各种 2FA 方法。

应用场景

Skyvern 在实际应用中展现了巨大的潜力，例如：

  1. 在多个不同网站上下载发票
  2. 自动化求职申请流程
  3. 为制造公司自动化材料采购
  4. 导航到政府网站以注册账户或填写表格
  5. 填写各种联系表单
  6. 从任何语言的保险提供商那里检索保险报价

技术细节

Skyvern 支持多种 LLM 提供商，包括 OpenAI、Anthropic、Azure OpenAI 和 AWS Bedrock。它使用 Docker 进行快速部署，并提供了详细的设置指南供贡献者使用。

未来发展

Skyvern 团队有一个雄心勃勃的路线图，包括改进上下文理解、成本优化、自助服务 UI、工作流 UI 构建器、提示缓存等功能。他们欢迎社区贡献，并鼓励用户提供反馈和建议。

通过这些创新功能和广泛的应用场景，Skyvern 正在重新定义网络自动化的可能性，为企业和个人用户提供了一个强大而灵活的工具来简化他们的在线工作流程。

编辑推荐精选

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目，提供 10 节课程，涵盖构建 AI 代理的必备知识，支持多种语言，包含规划设计、工具使用、多代理等丰富内容，助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

下拉加载更多