Skyvern项目v0.1.76版本发布:智能网页自动化能力全面升级
2025-06-03 21:37:45作者:苗圣禹Peter
Skyvern是一个基于人工智能的网页自动化工具,它能够模拟人类操作浏览器完成各种网页任务。通过结合计算机视觉和自然语言处理技术,Skyvern可以理解网页内容并执行点击、输入、导航等操作,无需编写复杂的脚本代码。
核心功能改进
1. 增强的计算机视觉理解能力(CUA)
本次版本对计算机视觉理解模块(CUA)进行了多项重要升级:
- 新增了MoveAction(移动动作)支持,使系统能够更精确地控制鼠标移动和定位
- 实现了按键组合(KeyPress Combo)功能,可以处理需要同时按下多个键的复杂操作
- 增加了DragAction(拖拽动作),支持拖放操作场景
- 优化了OtherAction处理逻辑,能够更好地处理非标准操作
- 引入了VerificationCodeAction(验证码动作),为验证码处理提供了专门支持
这些改进使得Skyvern能够处理更复杂的网页交互场景,特别是在需要精确控制或特殊操作的页面上表现更出色。
2. 任务生成与数据提取优化
在自动任务生成方面,本版本进行了多项改进:
- 重构了数据提取目标的生成逻辑,使系统能更准确地理解用户需求
- 优化了任务生成提示词(prompt),提高了生成任务的质量和准确性
- 改进了数据提取机制,现在能够结合CUA响应更智能地提取所需信息
- 增强了系统回答CUA问题的能力,使其在需要决策时能做出更合理的判断
这些改进使得自动生成的任务流程更加符合实际需求,减少了人工调整的工作量。
3. 系统稳定性与性能提升
在系统底层方面,本版本包含多项稳定性改进:
- 修复了URL编码相关的问题,提高了系统处理特殊字符的能力
- 解决了截图超时问题,增强了长时间运行任务的稳定性
- 优化了OpenAI客户端初始化流程,避免潜在的初始化失败
- 改进了HTTP POST请求的日志记录,便于问题排查
- 移除了对n8n的依赖,简化了系统架构
技术架构调整
本次版本对系统架构进行了以下调整:
- 移除了Task V2 API,简化了API结构
- 重置了skyvern_context处理逻辑,确保任务块执行完毕后正确清理上下文
- 修复了自动完成(auto completion)相关的bug
- 增加了对GPT-4.1模型的支持,并修正了相关成本计算
- 优化了前端动作处理逻辑,与后端能力保持同步
实际应用价值
这些改进使得Skyvern在实际业务场景中表现更加出色:
- 复杂表单处理:新增的拖拽和组合键功能可以应对更复杂的表单填写场景
- 数据采集:改进的数据提取能力提高了采集准确率和效率
- 流程自动化:增强的CUA能力使自动化流程更加稳定可靠
- 验证码处理:专门的验证码动作为自动化流程中的验证环节提供了解决方案
v0.1.76版本的发布标志着Skyvern在智能网页自动化领域又向前迈进了一大步,为企业和开发者提供了更强大、更可靠的自动化工具。无论是简单的数据采集还是复杂的业务流程自动化,新版本都能提供更好的支持。
登录后查看全文
热门项目推荐
相关项目推荐
Hunyuan3D-Part
腾讯混元3D-Part00Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0274community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息011Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析2 freeCodeCamp全栈开发课程中React实验项目的分类修正3 freeCodeCamp课程视频测验中的Tab键导航问题解析4 freeCodeCamp音乐播放器项目中的函数调用问题解析5 freeCodeCamp论坛排行榜项目中的错误日志规范要求6 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析9 freeCodeCamp课程页面空白问题的技术分析与解决方案10 freeCodeCamp博客页面工作坊中的断言方法优化建议
最新内容推荐
Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 小米Mini R1C MT7620爱快固件下载指南:解锁企业级网络管理功能 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案 SAP S4HANA物料管理资源全面解析:从入门到精通的完整指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 OMNeT++中文使用手册:网络仿真的终极指南与实用教程 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
153
1.98 K

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
505
42

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
194
279

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
938
554

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
333
11

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70