Skyvern：視覺語義驅動的瀏覽器自動化革命

項目：用 AI 視覺取代 XPath 的瀏覽器 Agent

Skyvern 是 2026 年 AI Agent 領域最令人興奮的開源專案之一，在 GitHub 上累積 21,000+ 星標。其核心願景極其簡潔：讓 AI Agent 像人類一樣「看」網頁，而非依賴脆弱的 XPath 或 CSS 選擇器。

傳統的瀏覽器自動化工具（如 Selenium、Puppeteer）需要開發者精確指定每個按鈕、輸入框的 DOM 路徑。一旦網站改版，自動化腳本就會集體崩潰。Skyvern 透過結合大型語言模型（LLM）與計算機視覺（CV），讓 Agent 理解網頁的「語義結構」——它知道「這是一個登入表單」、「那是一個購物車按鈕」，即使頁面 HTML 完全重構，也能正確操作。

人物：Suchin Gururangan 與 YC 背景

Skyvern 的核心團隊來自 Y Combinator，Suchin Gururangan 與 Shuchir Jain 等創始人擁有深厚的 NLP 與系統工程背景。他們曾在 Allen Institute for AI（AI2）工作，參與過大規模語言模型的訓練與評估。這種學術 + 創業的雙重基因，讓 Skyvern 在技術深度與產品化之間取得了罕見的平衡。

技術：LLM + CV + Playwright + MCP

技術架構上，Skyvern 以 Playwright 為底層瀏覽器控制引擎，但在其上疊加了視覺語義層。當 Agent 需要點擊「加入購物車」時，Skyvern 會截圖並送入視覺語言模型（VLM），模型返回操作建議（如「在坐標 (x,y) 處點擊紅色按鈕」）。這種設計讓 Skyvern 能處理傳統自動化工具無法應對的動態網頁、SPA（單頁應用）與無障礙頁面。

更重要的是，Skyvern 提供了原生的 MCP（Model Context Protocol）Server，讓 Claude、Cursor、Windsurf 等主流 AI 工具可以直接控制瀏覽器。這意味著開發者可以用自然語言指令（如「幫我在亞馬遜上找到最便宜的藍牙耳機」）驅動複雜的跨站點操作。

商業：開源免費 + 企業級雲服務

Skyvern 採用經典的開源商業模式：核心框架免費，但提供 Skyvern Cloud 企業級托管服務，包括並發執行、審計日誌、SSO 整合與 SLA 保障。其定價基於操作次數，對於需要大規模網頁自動化的電商、金融與市場研究公司極具吸引力。

發展與機會

Skyvern 的下一步是「多 Agent 協作瀏覽」——讓多個 Skyvern 實例並行探索不同網站，並共享發現。這在價格比較、供應商審查與競爭情報收集場景中具有巨大價值。長遠來看，Skyvern 有機會成為「AI 互聯網」的基礎設施——當數十億個 Agent 需要瀏覽網頁時，Skyvern 的視覺語義技術將是不可或缺的翻譯層。