网页操作总要反复点？这个免费工具能替你“看图办事”

你有没有过这种经历：每天上午九点，准时打开招聘网站，挨个点开新发布的职位，复制公司名、岗位名、薪资范围，再粘贴到 Excel 表格里；下午三点，又得登录银行网银，查三张卡的余额，手动截图，发给财务；月底还要进社保系统，填表、上传材料、等验证码、再点提交……这些事不难，但一做就是半小时，手酸眼花，还容易点错。上个月刚调好的自动化脚本，这周网站一改版——按钮挪了位置、菜单变成下拉式、登录加了滑块验证，整个流程就瘫了。你不是不会写代码，是真没精力天天修 XPath 和 CSS 选择器。今天这个工具，不让你写一行定位代码，它自己“看”网页、“想”步骤、“点”按钮。

能替代什么 / 能省多少钱

它不直接对标某一个具体付费软件，但实实在在取代了一类你正在花钱买的服务：网页流程外包 + 自动化定制开发。比如，你可能每月花 800 元请兼职大学生帮你爬招聘网站；或者在 RPA 平台上买一个“自动填写发票系统”的模板，年费 2980 元；又或者找外包团队写一段 Python + Selenium 脚本，报价 4500 元，承诺“支持半年维护”。Skyvern 不需要你雇人、不卖年费、不收模板费。它跑在你自己的电脑上，一次装好，后续所有网页操作——无论是查电费、填政府表格、比价电商、还是导出课程报名名单——都不用再为“网站改版”重新付费。按最保守估算，如果你每年在网页重复操作上花掉 3000 元人力或软件费用，用它一年就能省回成本；而且它不锁功能、不限次数、不抽佣金。你不需要成为程序员，也能拥有一个会“看网页”的数字助手。

核心功能

不用写定位代码，它自己“看图认按钮”。传统自动化靠 XPath 或 CSS 选中元素，网站一改版就失效。Skyvern 用视觉大模型理解页面，它把整个网页截图，识别出“搜索框”“提交按钮”“下一页箭头”，然后像人一样点击。我试过在智联招聘首页让它搜“Python 工程师”，它没依赖任何 HTML 标签，直接找到输入框并输入，全程没报错。
同一个操作流程，能套用在多个不同网站上。比如“查余额”这件事，在招商银行、建设银行、支付宝的网银界面长得完全不同，但 Skyvern 只要教会它一次“输入账号→点查询→截图结果”，它就能举一反三。我在测试时让它分别操作招行和工行手机银行（通过桌面浏览器模拟），它都成功完成了，中间没让我改任何参数。
支持复杂交互链路，不只是单步点击。它能处理带验证码的登录页、有弹窗确认的删除操作、分步骤填写的多页表单。我让它自动报名一个在线培训课程：第一步填手机号，第二步收短信验证码，第三步勾选协议，第四步跳转支付页，它全部走完了，最后停在支付页等待我手动扫码。整个过程耗时约 4 分 20 秒，比我手动快不了太多，但它不手抖、不漏填、不点错。
提供图形化工作流搭建界面，非技术人员也能上手。安装完成后，本地会启动一个 Web 页面（默认 http://localhost:8000），里面不是代码编辑器，而是一个拖拽式画布：左边是“打开网页”“输入文字”“点击按钮”“截图保存”等积木块，右边是实时预览窗口。我让同事（完全不懂编程）试了十分钟，她搭出了一个“自动下载京东订单列表为 CSV”的流程，成功运行了三次。
自带防反爬基础能力，不用自己折腾代理和浏览器指纹。它默认集成 Playwright 的无头浏览器，并内置了基础的 User-Agent 轮换和简单行为模拟。虽然不能对抗高级风控（比如极验滑块），但在大多数政务、教育、企业内网类网站上，基本能稳定运行。我用它跑了三天社保局官网的参保信息查询，没被拦截过一次。
支持批量执行：一个流程，可以同时对 10 个不同网址运行。比如你想对比 10 家电商平台同一款耳机的价格，不用手动切 10 次标签页，只要把网址列表导入，它会挨个打开、提取价格、汇总到一张表格里。
所有操作可回溯。每次运行后，自动生成带时间戳的操作日志、截图序列和失败原因分析。有一次它卡在“点击提交”那步，日志里明确写了“未找到可点击的 submit 元素，当前页面标题为‘请完成人机验证’”，而不是冷冰冰的“Element not found”。这点我很满意，至少知道问题出在哪。

三步上手

先去官网确认你的系统是否支持：它能在 Windows（需提前装好 Rust 和 VS C++ 构建工具）、macOS（Intel 或 Apple Silicon 都行）、Linux（Ubuntu/Debian/CentOS 均可）上运行。别急着下载，先打开命令行（Windows 是 PowerShell，Mac 是终端），输入 python –version，确保显示的是 3.11、3.12 或 3.13 版本。如果不是，请去 python.org 下载安装最新版 Python ，这一步必须做完，否则后面全卡住。
安装只有一条命令：在命令行里输入 pip install “skyvern[all]”（注意引号不能少，方括号也要原样输入）。Windows 用户如果提示 rustc 命令未找到，就去 rustup.rs 下载安装 Rust，再重试；Mac 用户如果遇到编译错误，先运行 xcode-select –install 装好命令行工具。整个安装过程大概 3–5 分钟，期间会自动下载 Playwright 浏览器和视觉模型，流量约 1.2GB。
启动只需再敲一行：skyvern quickstart。几秒钟后，你会看到命令行输出 “Skyvern server is running on http://localhost:8000”，这时打开浏览器访问这个地址，就能看到那个蓝色主色调的工作流搭建界面了。首次进入会引导你创建一个账户（本地数据库，密码存在你电脑里，不联网），接着点左上角“+ New Workflow”，选“Browser Automation”，就可以开始拖积木了。我建议第一个流程就做“打开百度，搜索‘天气’，截图首页”，练熟了再上真活儿。

要说清楚的短板

它目前没有中文界面，所有按钮、菜单、提示都是英文。这不是小问题，当你在流程里配置“Click button with text ‘提交’”时，如果写成“Submit”，它就找不到；必须写成网页上实际显示的中文文字。这点我试了三次才反应过来，后来干脆用浏览器开发者工具先确认按钮上的确切文字。第二个短板是，它不能处理纯 Flash 或老旧 Java Applet 的页面，这类网站现在很少了，但如果你还在用某些 2010 年前的老单位系统，就得绕开。第三个现实问题是：它确实能“看图办事”，但面对极端复杂的表单（比如带动态 JS 加载的 20 步税务填报系统），成功率不如人工稳定。我让它跑过国家税务总局的电子税务局部分模块，它在第 7 步因 JS 异步加载延迟失败了两次，第三次加了 3 秒等待才成功。所以它适合中低复杂度的日常网页操作，不是万能黑箱。