文章摘要：浏览器自动化领域正在经历一场范式革命——从依赖脆弱的 XPath/CSS 选择器，到让 AI 像人类一样“看懂”网页。Skyvern 作为这场变革的代表性项目，将大语言模型的推理能力与计算机视觉技术深度融合，实现了跨网站、抗布局变化的智能自动化。本文将带你从架构设计到生产部署，从基准性能到安全风险，从零开始全面体验这个已收获超过 20000 GitHub Star 的开源新星。一、引子：每一个开发者都有一段“脚本崩溃”的记忆不知道你有没有过这样的经历：花了一整个下午精心编写了一个 Selenium 脚本，定位好每一个 XPath，处理好每一个等待条件，调试到完美运行。你心满意足地提交代码，将它部署到生产环境中。一切都很美好——直到目标网站做了一次看似无关紧要的“小改版”。一个按钮的 class 名称变了，一个 div 包裹层被重新嵌套，你的脚本瞬间变成了一堆毫无意义的错误日志。然后是无休止的维护——修补选择器、调整等待逻辑、重新调试。这种与脆弱的 DOM 结构深度耦合的自动化方式，几乎成了每个开发者都经历过的心头痛。这种痛楚有多普遍？根据 Skyvern 团队在 Y Combinator 上的官方介绍，绝大多数公司在成长过程中都积累了大量的手动或半自动化浏览器工作流——这些流程最初以“do things that don‘t scale”的方式手动操作，随着业务增长逐渐消耗了大量的人力，或是被不可靠的脚本勉强支撑。当传统自动化工具因为网站布局的微小变化而崩溃时，Skyvern 提出了一个根本性的解决方案：
