大型语言模型（LLM）已经能够根据自然语言指令生成完整的交互式网页，但非专业用户往往难以用语言表达细致的视觉和交互设计。开放网络中已有大量成熟的网站实现，蕴含丰富的设计经验。为此我们提出 Website‑derived Visual Skill Extraction（WebViSE） 框架，自动将现有网站抽象为可复用的 视觉技能（Visual Skills） 并构建结构化的技能库。\ \ WebViSE 使用 多父有向无环图（multi‑parent DAG） 来组织技能，采用 Skill‑conditioned Potential Queries 同时进化技能描述和图结构，使得用户指令能够高效匹配到相关技能。实验表明，在 Qwen3.8‑Max 上，自动进化的 DAG 只需约 39.09% 的检索成本即可超越非层次化 LLM 检索基线。\ \ 该框架可直接作为插件注入任意模型，提升生成网页的视觉美感和交互一致性。对开源模型而言，WebViSE 还能构建数据合成流水线，将视觉设计智能内化到模型权重中。跨多个网页开发基准和人工评估的实验一致显示，WebViSE 能显著提升生成产物的视觉质量和交互保真度。\ \ 我们已公开所有抽取的视觉技能、技能 DAG 以及代码，地址：https://github.com/YifeiSun-0710/WebViSE。\ \ 点评：WebViSE 为从真实网页中系统化提取设计知识提供了可扩展的解决方案，兼顾检索效率和生成质量，为 LLM 在网页构建领域的实用落地奠定了基础。