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

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

下拉加载更多