Skyvern：AI浏览器自动化Agent安装与使用指南

官方信息

项目背景

传统浏览器自动化（Selenium、Playwright、Puppeteer、RPA）都靠写死 XPath 和 CSS 选择器：网站一改版，按钮 class 变了、表单顺序调了，脚本就崩了。维护这些脚本的成本极高，尤其是面对电商、政务、保险这类频繁改版的网站。

Skyvern 换了个思路：它不读 DOM，而是像人一样截图看页面，把截图喂给多模态大模型（GPT-4o、Claude、Gemini），让模型判断"这个按钮是登录、那个输入框填用户名"，然后再调用 Playwright 去点去填。网站改版了？模型重新看一眼就行，脚本一行不用改。

项目在 GitHub 上收获 13k+ Star，背后有 YC 投资，同时提供商业云服务。开源版支持任务（Task）、工作流（Workflow）、2FA 登录、文件下载、表单填写、数据抽取、实时浏览器直播观看、人工接管（遇到验证码时人来点一下）。它被广泛用于自动比价、自动填表、批量抓数据、采购流程自动化等场景。

核心特性

• 视觉驱动：每一步都截图让 LLM 决策，不依赖脆弱的 XPath。
• 自然语言指令：告诉它"去 7-11 网站下载上个月的发票"，它自己拆解执行。
• 工作流编排：可视化串联导航、抽取、循环、文件下载、邮件发送等节点。
• 2FA 支持：TOTP、Google Authenticator、Bitwarden/1Password/LastPass 集成。
• 实时直播：通过 VNC 实时看浏览器在干什么，可随时接管。
• 凭据保险库：加密存储网站账号密码，按名字在工作流里引用。
• 多 LLM 兼容：OpenAI、Anthropic、Gemini、Azure、Bedrock、Ollama、OpenRouter、Groq。
• REST API + Python/TS SDK + Webhook + MCP：可嵌入任何系统。

环境要求

• Python 3.11 - 3.14（pip 方式）或 Docker（推荐）。
• 至少一个支持视觉的 LLM API Key（强烈推荐 GPT-4o / Claude Sonnet / Gemini 视觉版）。
• 2 核 4G 起步；并发任务多了再加内存（每个任务一个 Chromium 实例）。
• Docker Compose v2。

详细部署步骤

方式一：Docker Compose（推荐，带 Web UI）

git clone https://github.com/Skyvern-AI/skyvern.git
cd skyvern
cp .env.example .env
cp skyvern-frontend/.env.example skyvern-frontend/.env

编辑 .env，至少填一个 LLM Key：

# 用 OpenAI
OPENAI_API_KEY=sk-你的key
LLM_KEY=GPT4o

# 或者用 Anthropic
# ANTHROPIC_API_KEY=sk-ant-xxx
# LLM_KEY=CLAUDE_SONNET

# 或者用本地 Ollama（需要视觉模型）
# ENABLE_OLLAMA=true
# LLM_KEY=OLLAMA
# OLLAMA_SERVER_URL=http://host.docker.internal:11434
# OLLAMA_MODEL=qwen2.5vl:7b
# OLLAMA_SUPPORTS_VISION=true

编辑 skyvern-frontend/.env，把 VITE_SKYVERN_API_KEY 留空：

VITE_SKYVERN_API_KEY=

注意：不要保留 YOUR_API_KEY 占位符，否则前端会拿这个假 key 发请求导致全部失败。

启动：

docker compose up -d
docker compose ps
# 等 postgres 和 skyvern 都显示 healthy

打开 http://服务器IP:8080。你的本地 API Key 写在 .skyvern/credentials.toml 的 cred 字段里。

方式二：pip 安装（无 UI，纯 API）

pip install "skyvern[server]"
skyvern quickstart --install-type server

向导会问你用哪个 LLM、Key 是多少，自动装 Chromium、初始化数据库、生成 API Key，然后问你要不要启动服务。之后随时启动：

skyvern run server    # API 在 http://localhost:8000

关键注意事项

• DATABASE_STRING 不要在 .env 里指向 localhost：容器里 localhost 是自己，compose 文件里已经配好了，删掉 .env 里那行。
• Ollama 在宿主机：Linux 用 http://172.17.0.1:11434，macOS/Windows 用 http://host.docker.internal:11434。
• 不要裸奔暴露到公网：开源版没有登录系统，必须前面套 Nginx/Caddy 加 Basic Auth。
• 首次启动要 1-2 分钟跑数据库迁移，看到 Application startup complete 再用。

使用方法示例

在 Web UI 里新建 Task，填：

• URL：https://news.ycombinator.com
• 导航目标：找出首页第一条新闻的标题和链接。
• 数据抽取目标：JSON 格式输出 {"title": "...", "url": "..."}。

点 Run，右侧会实时看到 Chromium 截图流，每一步都记录了模型的决策。

用 API 调：

curl -X POST http://localhost:8000/api/v1/tasks \
  -H "Content-Type: application/json" \
  -H "x-api-key: 你的cred" \
  -d '{
    "url": "https://www.google.com",
    "navigation_goal": "搜索 open source AI agents 并返回第一条结果",
    "data_extraction_goal": "JSON: {title, url, snippet}"
  }'

常见问题（FAQ）

Q1：为什么模型操作慢？
A：每一步都要截图 + 调视觉模型，一次任务可能调 10-30 次 LLM，成本和耗时都比传统 RPA 高。建议用便宜的视觉模型，或在 workflow 里把固定步骤写成 Playwright 代码块。

Q2：遇到验证码怎么办？
A：实时直播页面点"Take Control"人工接管点掉验证码，Skyvern 会接着继续。商业云版自带验证码解决。

Q3：能登录需要 2FA 的网站吗？
A：可以，在 Credentials 里存 TOTP secret，工作流里引用即可自动生成动态码。

Q4：AGPL 协议能商用吗？
A：AGPL 要求你对外提供网络服务时也开源修改后的代码；如果只是内部用、不分发，没问题。要 SaaS 化建议买商业版。

跳转链接

• GitHub 仓库：https://github.com/Skyvern-AI/skyvern
• 官方文档：自托管文档
• 商业云版：https://app.skyvern.com/
• PyPI：skyvern