Skyvern项目v0.1.71版本发布:工作流API与自动化增强
项目简介
Skyvern是一个专注于网页自动化与工作流编排的开源项目,它通过智能化的方式帮助用户完成复杂的网页操作任务。该项目结合了先进的AI技术,能够自动识别网页元素、执行点击、输入等操作,并支持复杂工作流的创建与管理。
核心更新内容
工作流API功能增强
本次版本对工作流API进行了全面升级,新增了多项关键功能:
-
工作流运行管理API:开发者现在可以通过API直接启动、监控和管理工作流的执行过程。这为系统集成提供了更灵活的方式。
-
工作流更新与删除:新增了工作流的更新和删除接口,使得工作流生命周期管理更加完整。开发者可以动态调整工作流定义,而无需重新部署。
-
工作流运行取消功能:当某个工作流执行不再需要时,可以通过API直接取消正在运行的任务,释放系统资源。
-
输出参数处理优化:修复了工作流运行端点中输出参数不显示的问题,确保执行结果能够正确返回。
用户体验改进
-
工作流模板支持:在工作流界面中增加了模板功能,用户可以基于预设模板快速创建工作流,大幅降低使用门槛。
-
参数名称截断处理:对于过长的参数名称,系统会自动进行截断处理,保持界面整洁。
-
隐藏高级设置:将"最大重试次数"等高级配置从默认界面中隐藏,简化初级用户的操作界面。
技术架构优化
-
用户代理支持:新增了对自定义用户代理头的支持,开发者可以指定特定的用户代理标识。
-
MCP集成增强:改进了与MCP(管理控制平台)的集成,包括专用的用户代理头设置和镜像优化。
-
元素检测算法改进:在网页元素检测中增加了对"invisible"类名的识别,提高了自动化操作的准确性。
技术实现细节
工作流API设计
新版API采用了RESTful风格设计,提供了完整的工作流CRUD操作:
- 创建工作流:定义步骤、参数和预期输出
- 运行工作流:传入参数启动执行
- 监控运行状态:实时获取执行进度和中间结果
- 取消运行:终止正在执行的工作流
自动化元素检测
项目改进了网页元素检测算法,特别是对下拉菜单等复杂控件的识别。新增了对特定CSS类名(如"invisible")的处理逻辑,确保自动化脚本能够正确识别页面上实际可见的可操作元素。
性能优化
通过参数截断、非必要配置隐藏等技术手段,减少了不必要的数据传输和处理开销。同时,工作流取消功能的加入使得系统能够及时释放被占用资源,提高整体运行效率。
应用场景
新版本特别适合以下应用场景:
- 企业业务流程自动化:通过工作流API将网页操作集成到企业现有系统中。
- 数据采集与处理:自动化完成网页数据抓取和后续处理流程。
- 测试自动化:创建复杂的测试工作流,验证Web应用功能。
- 跨系统集成:作为中间件连接不同系统间的网页操作需求。
总结
Skyvern v0.1.71版本通过增强的工作流API和多项用户体验改进,进一步巩固了其作为网页自动化解决方案的地位。新版本不仅提供了更强大的功能集成能力,还通过模板等设计降低了使用门槛,使得无论是技术开发者还是普通用户都能更高效地实现网页自动化需求。特别是工作流生命周期的完整管理支持,为构建复杂自动化系统提供了坚实基础。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCRDeepSeek-OCR是一款以大语言模型为核心的开源工具,从LLM视角出发,探索视觉文本压缩的极限。Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
GOT-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).Dockerfile014
Spark-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。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00