Skyvern：用自然语言驱动的企业级 AI 浏览器自动化

企业里有大量重复劳动发生在浏览器里：登录几十个供应商门户下载发票、在不同系统间复制粘贴数据、批量填表单。传统做法是写 Playwright/Selenium 脚本，但选择器一随 UI 改版就崩；买 RPA 又笨重、对动态网页适应差。Skyvern（Ikonomos Inc.，YC 背书，开源）走的是第三条路：用视觉 + LLM 理解页面，让你用自然语言描述工作流，由 AI 像人一样在浏览器里操作。本文基于其官网拆解它的机制、关键数字与路线取舍。

一、是什么

Skyvern 自我定位为”AI agents to automate workflows on any website”——不需要 API、不需要自写脚本，描述一下流程即可。它的典型场景是：应付账款（登录后下载发票，哪怕背后是登录、2FA、CAPTCHA）、数据提取（把任意站点的价格/产品目录抽成 JSON/CSV）、表单填写、线索挖掘、以及对 UI 变化自适应的浏览器测试。

与开源框架相比，周报名点出了它的取舍：Browser Use 灵活但要自己搭基础设施；Stagehand 在 Playwright 上加 AI 层、仍要混写代码与自然语言；Skyvern 走 API-first，专注少数具体的企业办公场景，牺牲通用性换开箱即用。

二、核心能力：把”真人会遇到的麻烦”都做掉

Skyvern 强调它处理的是”真实世界自动化的复杂性”：

• 原生 CAPTCHA 求解：不靠第三方打码服务，自动化不中断；
• 2FA / TOTP 全流程：能走完需要双因素的登录；
• 代理网络：支持按国家、州甚至邮编级别选择住宅/数据中心代理；
• 可解释 AI：每次运行都有摘要，记录 AI 做了什么、为什么这么做；
• 数据提取：按你定义的 schema 输出 CSV/JSON；
• 文档处理：下载、解析、分类、路由任意门户的文档，含 OCR。

构建方式上它给了五条路：Copilot 对话（自然语言直接生成结构化工作流）、上传 SOP 文档、录制浏览器、可视化 Builder、原生 SDK。开发者侧提供 Python 与 TypeScript SDK、可 Docker 自托管、支持 MCP、Webhook 与事件流，并能接入 Zapier/Make/n8n/Workato 等现有自动化栈。

从 SDK 示例能看出它的执行模型：不是”让 LLM 一步步点点点”，而是先 use_cloud_browser() 拿到一个受管浏览器页，再用凭证登录（page.agent.login），最后一句 page.agent.run_task("Checkout the order using: John Snow, 12345") 把自然语言任务交给 agent，执行完直接 page.screenshot 留证。关键在于它把”视觉理解”和”可执行代码”混在一起——LLM 负责决策与定位元素，代码层负责稳定地点击、填表、等待，这也是它区别于纯 prompt agent 的地方：每一步动作最终落成可重放的代码，而不是每次重新”即兴表演”。

三、关键数据

四、路线对比：它到底比别人强在哪

官网把自己的优势概括成三组对比：

• vs Playwright/Selenium：选择器脚本随 UI 改版就崩、要持续维护；Skyvern 用视觉代替脆弱选择器，工作流能扛住 UI 更新；
• vs 传统 RPA：RPA 为一次性任务设计、每次像从头开始；Skyvern 把 LLM 推理与可执行代码结合，生成确定性、可重复的工作流；
• vs 纯提示词 Agent：纯 prompt agent 会幻觉、过不了登录/2FA、复杂多步任务易断；Skyvern 结合视觉、代码执行与 LLM 推理，原生过 CAPTCHA/2FA。

五、评测方法与口径的偏向

• 规模与 SLA 数字是厂商自述：30,000+ 用户、10M+ 工作流、99.9% SLA 都来自官网，无第三方审计；
• “视觉代替选择器更稳”有代价：视觉+LLM 通常比写死的选择器更慢、更烧 token，对高频、超大规模任务，确定性脚本仍可能更便宜；
• 官网挂了 benchmark 链接但未公开方法论：与同类 AI 浏览器工具的成功率/时延对比需自行实测；
• 企业定位意味着销售门槛：深度企业功能（HIPAA、SSO、SLA）走 demo/sales，不像开源自托管那样完全自助。

六、优势与局限

优势：

1. 开箱即用、面向真实办公场景：CAPTCHA/2FA/代理/OCR 全内置，正好是发票下载、数据录入这类流程的痛点；
2. 可解释 + 可重复：每次运行有动作摘要，工作流沉淀为确定性流程；
3. 合规齐全：SOC2/HIPAA/E2E 保险库，能进医疗、金融等受监管行业；
4. 接入灵活：SDK、MCP、Webhook、主流 iPaaS 都支持。

局限：

1. 牺牲通用性：专注少数企业流程，做任意网页爬取的灵活度不如 Browser Use 这类框架；
2. 视觉+LLM 成本：比传统脚本慢且贵，超高频任务要算账；
3. 企业功能需商务对接：深度合规/SLA 非完全自助；
4. 成功率数字缺独立验证。

七、谁该关注

• 财务/应付账款、运营团队：要登录门户批量下载发票、抽数据，不想写脆弱脚本；
• 受监管行业：需要 HIPAA/SOC2、要可解释审计记录的自动化；
• 已用 n8n/Zapier 但卡在”登录态+CAPTCHA”环节的团队：Skyvern 正好补这块；
• 追求极致性能/成本、任务超高频且 UI 稳定的场景：手写确定性脚本可能更划算。

参考来源

• Skyvern 官网
• Koala 项目库条目：Skyvern AI 浏览器自动化