Премини към основното съдържание
Български— Изберете език
Меню

Сърфиране в уеб

Урок 5 от 14 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Отвъд простото кликване
  2. Два начина да стигнете до целта
  3. Банерът за бисквитки: Препятствие номер едно
  4. Три начина за изчакване
  5. Насочване на дълго пътуване
  6. Разделите не се управляват от изкуствения интелект
  7. Качеството на изображението определя всичко останало
  8. Ключови изводи

Урокът е актуализиран на 3 ноември 2026 г. въз основа на ръководството на OpenAI за Computer use, неговите Integration recipes и справочника за Responses API: инструкциите трябва да се предават чрез параметъра instructions и да се изпращат отново с всяка заявка, тъй като те не се прехвърлят автоматично чрез previous_response_id; скриптът, който премахваше target="_blank", съдържаше синтактична грешка в JavaScript и обхващаше само вече наличните връзки; препоръките за изображения сега следват насоките на OpenAI (detail: "original", преоразмеряване с конвертиране на координатите). Източници: Integration recipes · Computer use.

Отвъд простото кликване

За един агент сърфирането не е просто отваряне на URL адрес. То представлява навигация в реалния уеб, изпълнен с пренасочвания, страници, които се рендерират за четири секунди, банери за съгласие, които покриват всичко, и съдържание, което се появява едва след многократно превъртане. Агент, който игнорира тези затруднения, се проваля още на втората страница; такъв, който ги предвижда, свързва десет екрана в едно пътуване без никаква намеса.

Два начина да стигнете до целта

Когато знаете точния адрес, не карайте изкуствения интелект да го търси: изпратете браузъра там директно.

page.goto("https://example.com/products")
page.wait_for_load_state("networkidle")

Обратно, когато адресът зависи от това, което се показва на екрана – третият продукт в списък, сортиран по цена, или динамично генерирана връзка „Преглед на фактура“ – оставете модела да види и да кликне.

# AI вижда екранната снимка и решава да кликне върху връзка
# Това се случва автоматично в цикъла на Computer Use

Правилният подход е да комбинирате двете в един работен поток: директна навигация за известни етапи от вашето пътуване и визуална навигация за всичко, открито по пътя. Това ви спестява скъпи итерации, които не носят стойност.

Банерът за бисквитки: Препятствие номер едно

В Европа почти всеки сайт показва банер за съгласие при първото зареждане. Докато той присъства, той прихваща кликванията и вашият агент се върти на празно, без да разбира защо страницата не реагира. Не импровизирайте решение за всеки сайт поотделно: вградете го веднъж завинаги в инструкциите на агента – параметъра instructions на Responses API, който действа като системен промпт – с ясна директива какво да се отказва.

INSTRUCTIONS = """You are an agent that browses the web.
Rules:
- If you see a cookie or consent banner,
  refuse optional cookies or click "Refuser" / "Reject"
- If only "Accept" is offered, accept only if the task allows it;
  otherwise, stop and report it
- Don't waste time on popups: handle them immediately
"""

# Предавайте това на ВСЯКА заявка в цикъла: при използване на previous_response_id,
# инструкциите от предишния отговор не се прехвърлят автоматично.
response = client.responses.create(
    model="gpt-6.1-sol",
    tools=[{"type": "computer"}],
    instructions=INSTRUCTIONS,
    input=tache,
)

Редът на първите две правила има значение: агентът отказва по подразбиране, а приемането остава решение на човека, възлагащ задачата, а не на модела. Освен това обърнете внимание на коментара в кода: документацията на Responses API посочва, че instructions от един отговор не се прехвърлят към следващия при верижно свързване чрез previous_response_id. Цикъл, който ги изпраща само при първия ход, ги губи при втория.

Три начина за изчакване

Съвременните страници зареждат съдържание асинхронно и вашият агент може да кликне там, където бутонът все още не се е появил. Най-надеждното решение остава мрежовото изчакване на Playwright, което връща контрола, след като всички заявки приключат.

page.goto(url)
page.wait_for_load_state("networkidle")
# Всички мрежови заявки са завършени

Това не е достатъчно навсякъде: в приложение, което поддържа постоянна връзка – websocket, polling, live chat – мрежата никога не е в покой и изчакването в крайна сметка изтича. В такъв случай преминете към просто забавяне преди заснемането.

import time

def wait_and_screenshot(page, wait_seconds=2):
    """Изчакай, след това направи екранна снимка."""
    time.sleep(wait_seconds)
    return page.screenshot()

Има и трети, често пренебрегван път: възложете преценката на самия модел. Той вижда въртящия се индикатор или частично рендерираното съдържание и разбира, че е по-добре да поиска допълнителна екранна снимка, отколкото да действа на сляпо.

task = """
Navigate to https://example.com/dashboard.
If the page still appears to be loading 
(spinner visible, partial content), 
wait for an additional screenshot before acting.
"""

Насочване на дълго пътуване

При поредица от няколко страници задача, формулирана в едно изречение, се разпада по пътя: агентът забравя половината инструкции до третия екран. Разбийте я на ясни стъпки – благодарение на верижното свързване на отговорите чрез previous_response_id, моделът следи кои стъпки вече са изпълнени и винаги знае къде се намира.

task = """
Step 1: Go to https://shop.example.com
Step 2: Search for "mechanical keyboard" in the search bar
Step 3: Sort results by ascending price
Step 4: Open the first product
Step 5: Note the price and availability
"""

Разделите не се управляват от изкуствения интелект

Computer Use работи само с един изглед (viewport). Ако връзка се отвори в нов раздел, агентът продължава да снима стария и не разбира защо нищо не се е променило – класическа ситуация при връзки с target="_blank", срещани в почти всеки новинарски сайт. Решете това предварително в Playwright, за да не се налага моделът да се притеснява за него.

REMOVE_BLANK = """
document.addEventListener("click", (e) => {
  const link = e.target.closest && e.target.closest('a[target="_blank"]');
  if (link) link.removeAttribute("target");
}, true);
"""

def handle_new_tab(context, page):
    """Задръж навигацията в раздела, който агентът снима."""
    # При всяка заредена страница кликване върху връзка с target="_blank"
    # я отваря в текущия раздел...
    context.add_init_script(REMOVE_BLANK)
    # ... а всеки прозорец, отворен чрез скрипт, се затваря незабавно
    page.on("popup", lambda popup: popup.close())

Инициализиращият скрипт се изпълнява във всяка страница преди собствените ѝ скриптове: слушателят, зададен по време на фазата на заснемане, премахва атрибута target, преди браузърът да последва връзката. Събитието popup на страницата покрива останалото: прозорци, отворени чрез window.open.

Качеството на изображението определя всичко останало

Замъглена или изрязана екранна снимка води до агент, който кликва грешния бутон, и ще отделите повече време за отстраняване на грешките му, отколкото за коригиране на самата снимка. Заснемайте видимия изглед (viewport), а не цялата страница: заснемане на full_page произвежда твърде голямо изображение и, което е по-лошо, неговите координати вече не съвпадат с екрана, където page.mouse извършва кликванията.

import base64

def optimized_screenshot(page) -> str:
    """Заснеми видимия изглед като PNG, в base64."""
    screenshot = page.screenshot(
        type="png",
        full_page=False,  # Само видимият изглед
    )
    return base64.b64encode(screenshot).decode("utf-8")

От страна на API, OpenAI препоръчва изпращането на заснеманията с detail: "original", което запазва резолюцията и подобрява точността на кликването, и съветва срещу използването на high и low за Computer Use. Голямо изображение консумира повече токени и API може да го преоразмери или дори да го отхвърли, ако надвишава лимитите. Ако трябва да намалите размерите на заснеманията си, направете го преди изпращането и конвертирайте координатите на модела обратно в пространството на оригиналното изображение; OpenAI докладва добри резултати с десктоп резолюции 1440×900 и 1600×900. Изгледът 1280×720, използван в този курс, не се нуждае от намаляване.

Ключови изводи

  • Комбинирайте директна навигация (известни URL адреси) и визуална навигация (динамични връзки) според контекста
  • Обработвайте GDPR изскачащите прозорци в instructions на агента, изпращани отново с всяка заявка
  • Изчакайте пълното зареждане, преди да заснемете екранна снимка
  • Заснемайте видимия изглед и го изпращайте с detail: "original"; ако преоразмерявате изображението, конвертирайте координатите
  • Обработвайте новите раздели в Playwright, а не в изкуствения интелект