Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Διαμόρφωση της Χρήσης Υπολογιστή στο API

Μάθημα 3 / 14 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Προαπαιτούμενα
  2. Εγκατάσταση εξαρτήσεων
  3. Ορισμός του κλειδιού API
  4. Δήλωση του εργαλείου υπολογιστή
  5. Διαμόρφωση του περιηγητή
  6. Οργάνωση του έργου
  7. Επαλήθευση της εγκατάστασης
  8. Βασικά σημεία

Μάθημα ξαναγραμμένο στις 3 Νοεμβρίου 2026 με βάση τον οδηγό Computer use της OpenAI και τις συνταγές ενσωμάτωσης Computer use: η διαμόρφωση χρησιμοποιεί πλέον το SDK openai, τη μεταβλητή περιβάλλοντος OPENAI_API_KEY και το εργαλείο {"type": "computer"} στο Responses API. Δεν βασίζεται πλέον στο Anthropic SDK ούτε στο παλιό εργαλείο computer_20241022. Το εργαλείο της OpenAI δεν απαιτεί διαστάσεις οθόνης· οι συντεταγμένες αναφέρονται στο στιγμιότυπο οθόνης που παρέχετε. Πηγές: Computer use · Συνταγές ενσωμάτωσης.

Προαπαιτούμενα

Πριν γράψετε την πρώτη γραμμή κώδικα, ο σταθμός εργασίας σας χρειάζεται τέσσερα πράγματα: μια πρόσφατη έκδοση της Python 3, έναν λογαριασμό OpenAI με ενεργό κλειδί API και πρόσβαση σε μοντέλο που υποστηρίζει το εργαλείο computer, έναν περιηγητή Chromium που ελέγχεται από το Playwright για αλληλεπιδράσεις web, και το Docker αν σχεδιάζετε να απομονώσετε τον πράκτορα. Το Docker είναι προαιρετικό όσο μαθαίνετε, αλλά η OpenAI συνιστά απομονωμένο περιηγητή ή εικονική μηχανή μόλις ο πράκτορας αλληλεπιδρά με οτιδήποτε πέρα από έναν ιστότοπο επίδειξης.

Για το μοντέλο, η τεκμηρίωση της OpenAI χρησιμοποιεί το gpt-6.1-sol στα παραδείγματά της για το εργαλείο computer. Ελέγξτε την κάρτα του μοντέλου (κάτω από την ενότητα Tools) για να επιβεβαιώσετε ότι η χρήση υπολογιστή αναφέρεται και ότι το έργο σας έχει πρόσβαση.

Εγκατάσταση εξαρτήσεων

Εργαστείτε σε ένα αφιερωμένο εικονικό περιβάλλον. Ένας πράκτορας Computer Use καθορίζει συγκεκριμένες εκδόσεις του Playwright και των περιηγητών του. Η ανάμειξή τους με άλλα έργα Python θα οδηγήσει σε συγκρούσεις που είναι οδυνηρό να διαγνωστούν.

# Δημιουργία και ενεργοποίηση του περιβάλλοντος
python -m venv computer-use-env
source computer-use-env/bin/activate  # Linux/Mac
# computer-use-env\Scripts\activate   # Windows

# Εγκατάσταση εξαρτήσεων
pip install openai playwright pillow

# Εγκατάσταση του περιηγητή Playwright
playwright install chromium

Κάθε πακέτο παίζει διακριτό ρόλο: το openai παρέχει τον πελάτη που συνομιλεί με το μοντέλο, το playwright οδηγεί τον περιηγητή και εκτελεί ενέργειες, και το pillow χειρίζεται τον χειρισμό εικόνων όταν χρειάζεται. Η τελευταία εντολή είναι αυτή που ξεχνούν οι περισσότεροι. Χωρίς το playwright install chromium, το πακέτο εγκαθίσταται αλλά δεν γίνεται λήψη κανενός περιηγητή, προκαλώντας αποτυχία κατά την πρώτη εκτέλεση.

Ορισμός του κλειδιού API

Αποθηκεύστε το κλειδί σας σε μια μεταβλητή περιβάλλοντος, ποτέ σκληρά κωδικοποιημένο σε ένα σενάριο. Ένα μυστικό γραμμένο στον κώδικα τελικά καταλήγει σε ένα αποθετήριο Git.

export OPENAI_API_KEY="your-key"

Σε περιβάλλον παραγωγής, χρησιμοποιήστε έναν διαχειριστή μυστικών. Ο πελάτης διαβάζει τη μεταβλητή αυτόματα:

from openai import OpenAI

client = OpenAI()  # διαβάζει το OPENAI_API_KEY

Δήλωση του εργαλείου υπολογιστή

Ένα μοντέλο δεν ελέγχει μια οθόνη από προεπιλογή. Πρέπει να ενεργοποιήσετε το εργαλείο computer στο αίτημα και να περιγράψετε το αναμενόμενο αποτέλεσμα.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6.1-sol",
    tools=[{"type": "computer"}],
    input=(
        "Ελέγξτε αν ο πίνακας Φίλτρα είναι ανοιχτός. Αν όχι, "
        "κάντε κλικ στο Εμφάνιση Φίλτρων και μετά πληκτρολογήστε penguin στο πεδίο "
        "αναζήτησης. Χρησιμοποιήστε το εργαλείο υπολογιστή για να αλληλεπιδράσετε με τη διεπαφή."
    ),
)
print(response.output)

Η δήλωση είναι απλώς {"type": "computer"}. Σε αντίθεση με την πρώιμη έκδοση προεπισκόπησης (computer_use_preview), δεν απαιτεί ούτε διαστάσεις οθόνης ούτε τύπο περιβάλλοντος, και η αυτόματη περικοπή δεν είναι πλέον απαραίτητη. Οι συντεταγμένες που επιστρέφει το μοντέλο αναφέρονται στο στιγμιότυπο οθόνης που στέλνετε. Λαμβάνετε ακριβώς την περιοχή που προτίθεστε να κάνετε κλικ, στην ίδια κλίμακα. Αν αλλάξετε το μέγεθος ενός στιγμιότυπου οθόνης πριν το στείλετε, μετατρέψτε τις συντεταγμένες πίσω πριν ενεργήσετε.

Διαμόρφωση του περιηγητή

Στην πλευρά του Playwright, τυλίξτε τη λογική εκκίνησης σε μια συνάρτηση που μπορείτε να επαναχρησιμοποιήσετε σε διάφορες εργασίες.

from playwright.sync_api import sync_playwright

def launch_browser(width=1280, height=720):
    """Εκκινεί έναν απομονωμένο περιηγητή για τη Χρήση Υπολογιστή."""
    pw = sync_playwright().start()
    browser = pw.chromium.launch(headless=True)  # False για να παρακολουθείτε τον πράκτορα
    context = browser.new_context(viewport={"width": width, "height": height})
    page = context.new_page()
    return pw, browser, page

Το page.screenshot() τραβάει το viewport, οπότε οι συντεταγμένες του μοντέλου εφαρμόζονται απευθείας στο page.mouse. Η επιλογή headless=True εκτελεί τον περιηγητή χωρίς διεπαφή χρήστη, κάτι που είναι απαραίτητο σε έναν διακομιστή. Κατά την ανάπτυξη, ορίστε το σε False για να παρακολουθείτε τον πράκτορα να εργάζεται. Είναι ο γρηγορότερος τρόπος να καταλάβετε γιατί κάνει λάθη.

Οργάνωση του έργου

Διαχωρίστε τη λογική του περιηγητή, τον βρόχο του πράκτορα και την εκτέλεση ενεργειών από την αρχή.

computer-use-project/
├── .env                  # OPENAI_API_KEY (ποτέ commit)
├── requirements.txt      # openai, playwright, pillow
├── src/
│   ├── __init__.py
│   ├── browser.py        # Εκκίνηση και λήψη στιγμιότυπου
│   ├── agent.py          # Βρόχος Computer Use
│   └── actions.py        # Εκτέλεση ενεργειών
└── tasks/
    └── example.py        # Σενάρια εργασιών

Επαλήθευση της εγκατάστασης

Μην χτίζετε μια πολύπλοκη ροή εργασίας σε μια μη επικυρωμένη διαμόρφωση. Αν η πρώτη εκτέλεση αποτύχει, δεν θα ξέρετε αν το πρόβλημα βρίσκεται στο κλειδί, στον περιηγητή ή στην προτροπή σας. Αυτό το ελάχιστο σενάριο ελέγχει ολόκληρη την αλυσίδα: πελάτης, περιηγητής, λήψη στιγμιότυπου και μετάδοση εικόνας στο μοντέλο.

import base64

from openai import OpenAI
from playwright.sync_api import sync_playwright

def test_installation():
    """Επαληθεύει ότι το κλειδί, ο περιηγητής και η μεταφόρτωση εικόνας λειτουργούν."""
    client = OpenAI()

    pw = sync_playwright().start()
    browser = pw.chromium.launch(headless=True)
    page = browser.new_page(viewport={"width": 1280, "height": 720})
    page.goto("https://example.com")
    capture = base64.b64encode(page.screenshot()).decode("utf-8")

    response = client.responses.create(
        model="gpt-6.1-sol",
        input=[{
            "role": "user",
            "content": [
                {"type": "input_text", "text": "Περιγράψτε τι βλέπετε."},
                {"type": "input_image", "image_url": f"data:image/png;base64,{capture}"},
            ],
        }],
    )
    print("Απάντηση:", response.output_text)

    browser.close()
    pw.stop()

if __name__ == "__main__":
    test_installation()

Αν η κονσόλα εμφανίζει μια περιγραφή της σελίδας example.com, η διαμόρφωσή σας είναι έτοιμη και μπορείτε να προχωρήσετε στη δημιουργία ενός πλήρους πράκτορα.

Βασικά σημεία

  • Εγκαταστήστε τα openai, playwright και pillow σε ένα αφιερωμένο εικονικό περιβάλλον και στη συνέχεια εκτελέστε το playwright install chromium
  • Διατηρήστε το OPENAI_API_KEY σε μεταβλητή περιβάλλοντος, ποτέ στον κώδικα
  • Δηλώστε το εργαλείο με tools=[{"type": "computer"}] χρησιμοποιώντας ένα υποστηριζόμενο μοντέλο (τα παραδείγματα της OpenAI χρησιμοποιούν το gpt-6.1-sol)
  • Οι συντεταγμένες του μοντέλου αναφέρονται στο στιγμιότυπο οθόνης που στάλθηκε: τραβήξτε την περιοχή στην οποία ενεργείτε στην ίδια κλίμακα
  • Δοκιμάστε πάντα με ένα ελάχιστο σενάριο πριν χτίσετε πολύπλοκες ροές εργασίας