Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Περιήγηση στον Ιστό

Μάθημα 5 / 14 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Πέρα από το Απλό Κλικ
  2. Δύο Τρόποι για να Φτάσετε Κάπου
  3. Το Πανό Cookies: Το Εμπόδιο Νο Ένα
  4. Τρεις Τρόποι Αναμονής
  5. Οδήγηση μιας Μακράς Διαδρομής
  6. Οι Καρτέλες Δεν Διαχειρίζονται από την ΤΝ
  7. Η Ποιότητα Εικόνας Καθορίζει Τα Πάντα
  8. Βασικά σημεία

Το μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 με βάση τον οδηγό Computer use της OpenAI, τις Συνταγές Ενσωμάτωσης (Integration recipes) και την αναφορά του API Responses: οι οδηγίες πρέπει να περνούνται μέσω της παραμέτρου instructions και να αποστέλλονται ξανά με κάθε αίτημα, καθώς δεν μεταφέρονται από το previous_response_id· το σενάριο που αφαιρούσε το target="_blank" περιείχε σφάλμα σύνταξης JavaScript και κάλυπτε μόνο συνδέσμους ήδη παρόντες· οι συστάσεις για εικόνες ακολουθούν πλέον τις οδηγίες της OpenAI (detail: "original", αλλαγή μεγέθους με μετατροπή συντεταγμένων). Πηγές: Συνταγές Ενσωμάτωσης · Computer use.

Πέρα από το Απλό Κλικ

Για έναν πράκτορα, η περιήγηση δεν είναι απλώς το άνοιγμα μιας διεύθυνσης URL. Είναι η πλοήγηση σε έναν πραγματικό ιστό γεμάτο ανακατευθύνσεις, σελίδες που χρειάζονται τέσσερα δευτερόλεπτα για να αποδοθούν, πανό συναίνεσης που καλύπτουν τα πάντα και περιεχόμενο που εμφανίζεται μόνο μετά από πολλαπλές κυλίσεις. Ένας πράκτορας που αγνοεί αυτές τις τριβές αποτυγχάνει στη δεύτερη σελίδα· ένας που τις προβλέπει, συνδέει μια διαδρομή δέκα οθονών χωρίς καμία παρέμβαση.

Δύο Τρόποι για να Φτάσετε Κάπου

Όταν γνωρίζετε την ακριβή διεύθυνση, μην ζητάτε από την ΤΝ να τη βρει: στείλτε το πρόγραμμα περιήγησης εκεί απευθείας.

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

Αντιθέτως, όταν η διεύθυνση εξαρτάται από το τι εμφανίζεται—το τρίτο προϊόν σε μια λίστα ταξινομημένη κατά τιμή, ένας δυναμικά δημιουργημένος σύνδεσμος “Προβολή Τιμολογίου”—αφήστε το μοντέλο να δει και να κάνει κλικ.

# Η ΤΝ βλέπει το στιγμιότυπο οθόνης και αποφασίζει να κάνει κλικ σε έναν σύνδεσμο
# Αυτό συμβαίνει αυτόματα στον βρόχο Computer Use

Η σωστή προσέγγιση είναι ο συνδυασμός και των δύο σε μια ενιαία ροή εργασίας: απευθείας πλοήγηση για γνωστά ορόσημα στη διαδρομή σας και οπτική πλοήγηση για οτιδήποτε ανακαλύπτεται καθ’ οδόν. Αυτό σας εξοικονομεί ακριβές επαναλήψεις όπου δεν προσθέτουν αξία.

Το Πανό Cookies: Το Εμπόδιο Νο Ένα

Στην Ευρώπη, σχεδόν κάθε ιστότοπος εμφανίζει ένα πανό συναίνεσης κατά την πρώτη φόρτωση. Όσο είναι παρόν, δεσμεύει τα κλικ και ο πράκτοράς σας γυρίζει άσκοπα χωρίς να καταλαβαίνει γιατί η σελίδα δεν αντιδρά. Μην αυτοσχεδιάζετε λύσεις site προς site: ενσωματώστε το μια και καλή στις οδηγίες του πράκτορα—την παράμετρο instructions του API Responses, η οποία λειτουργεί ως prompt συστήματος—με μια σαφή εντολή για το τι πρέπει να απορριφθεί.

INSTRUCTIONS = """Είστε ένας πράκτορας που περιηγείται στον ιστό.
Κανόνες:
- Αν δείτε πανό cookies ή συναίνεσης,
  απορρίψτε τα προαιρετικά cookies ή κάντε κλικ στο "Απόρριψη" / "Reject"
- Αν προσφέρεται μόνο "Αποδοχή", αποδεχτείτε το μόνο αν το επιτρέπει η εργασία·
  διαφορετικά, σταματήστε και αναφέρετέ το
- Μην χάνετε χρόνο σε αναδυόμενα παράθυρα: χειριστείτε τα αμέσως
"""

# Περάστε το σε ΚΑΘΕ αίτημα στον βρόχο: με το previous_response_id,
# οι οδηγίες από την προηγούμενη απόκριση δεν μεταφέρονται.
response = client.responses.create(
    model="gpt-6.1-sol",
    tools=[{"type": "computer"}],
    instructions=INSTRUCTIONS,
    input=tache,
)

Η σειρά των δύο πρώτων κανόνων έχει σημασία: ο πράκτορας απορρίπτει εξ ορισμού και η αποδοχή παραμένει απόφαση του ατόμου που αναθέτει την εργασία, όχι του μοντέλου. Επίσης, σημειώστε το σχόλιο στον κώδικα: η τεκμηρίωση του API Responses αναφέρει ότι οι instructions από μια απόκριση δεν μεταφέρονται στην επόμενη κατά την αλυσίδωση μέσω previous_response_id. Ένας βρόχος που τις στέλνει μόνο στον πρώτο γύρο τις χάνει στον δεύτερο.

Τρεις Τρόποι Αναμονής

Οι σύγχρονες σελίδες φορτώνουν περιεχόμενο ασύγχρονα και ο πράκτοράς σας μπορεί να κάνει κλικ εκεί που ένα κουμπί δεν έχει εμφανιστεί ακόμη. Η πιο αξιόπιστη λύση παραμένει η αναμονή δικτύου του Playwright, η οποία επιστρέφει τον έλεγχο μόλις ολοκληρωθούν όλα τα αιτήματα.

page.goto(url)
page.wait_for_load_state("networkidle")
# Όλα τα αιτήματα δικτύου έχουν ολοκληρωθεί

Αυτό δεν αρκεί παντού: σε μια εφαρμογή που διατηρεί μια μόνιμη σύνδεση—websocket, polling, ζωντανή συνομιλία—το δίκτυο δεν είναι ποτέ αδρανές και η αναμονή τελικά λήγει λόγω χρονικού ορίου. Καταφύγετε σε μια απλή καθυστέρηση πριν τη λήψη του στιγμιότυπου.

import time

def wait_and_screenshot(page, wait_seconds=2):
    """Αναμονή και στη συνέχεια λήψη στιγμιότυπου οθόνης."""
    time.sleep(wait_seconds)
    return page.screenshot()

Υπάρχει ένας τρίτος, συχνά παραβλεπόμενος δρόμος: να αναθέσετε την κρίση στο ίδιο το μοντέλο. Βλέπει τον δείκτη φόρτωσης ή το περιεχόμενο που έχει αποδοθεί εν μέρει και καταλαβαίνει ότι είναι καλύτερο να ζητήσει ένα επιπλέον στιγμιότυπο οθόνης παρά να ενεργήσει τυφλά.

task = """
Πλοηγηθείτε στο https://example.com/dashboard.
Αν η σελίδα φαίνεται ότι φορτώνει ακόμα 
(ορατός δείκτης φόρτωσης, μερικό περιεχόμενο), 
περιμένετε για ένα επιπλέον στιγμιότυπο οθόνης πριν ενεργήσετε.
"""

Οδήγηση μιας Μακράς Διαδρομής

Σε μια ακολουθία πολλών σελίδων, μια εργασία διατυπωμένη σε μία μόνο πρόταση καταρρέει στην πορεία: ο πράκτορας ξεχνά τις μισές οδηγίες μέχρι την τρίτη οθόνη. Διασπάστε την σε ρητά βήματα—χάρη στην αλυσίδωση αποκρίσεων μέσω previous_response_id, το μοντέλο παρακολουθεί αυτά που έχει ήδη ολοκληρώσει και γνωρίζει πάντα πού βρίσκεται.

task = """
Βήμα 1: Μετάβαση στο https://shop.example.com
Βήμα 2: Αναζήτηση για "mechanical keyboard" στη γραμμή αναζήτησης
Βήμα 3: Ταξινόμηση αποτελεσμάτων κατά αύξουσα τιμή
Βήμα 4: Άνοιγμα του πρώτου προϊόντος
Βήμα 5: Σημείωση της τιμής και της διαθεσιμότητας
"""

Οι Καρτέλες Δεν Διαχειρίζονται από την ΤΝ

Το Computer Use λειτουργεί σε μόνο ένα παράθυρο προβολής. Αν ένας σύνδεσμος ανοίγει σε νέα καρτέλα, ο πράκτορας συνεχίζει να φωτογραφίζει την παλιά και δεν καταλαβαίνει γιατί τίποτα δεν έχει αλλάξει—μια κλασική κατάσταση με συνδέσμους target="_blank", που βρίσκονται σε σχεδόν κάθε ειδησεογραφικό ιστότοπο. Διορθώστε το αυτό εκ των προτέρων στο Playwright, ώστε το μοντέλο να μην χρειάζεται να ανησυχεί γι’ αυτό.

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):
    """Διατήρηση της πλοήγησης στην καρτέλα που φωτογραφίζει ο πράκτορας."""
    # Σε κάθε φορτωμένη σελίδα, ένα κλικ σε σύνδεσμο target="_blank"
    # τον ανοίγει στην τρέχουσα καρτέλα...
    context.add_init_script(REMOVE_BLANK)
    # ... και κάθε παράθυρο που ανοίγει από script κλείνει αμέσως
    page.on("popup", lambda popup: popup.close())

Το σενάριο αρχικοποίησης εκτελείται σε κάθε σελίδα πριν από τα δικά της scripts: ο ακροατής, που ορίζεται κατά τη φάση σύλληψης, αφαιρεί το χαρακτηριστικό target πριν το πρόγραμμα περιήγησης ακολουθήσει τον σύνδεσμο. Το συμβάν popup της σελίδας καλύπτει ό,τι απομένει: παράθυρα που ανοίγουν από το window.open.

Η Ποιότητα Εικόνας Καθορίζει Τα Πάντα

Ένα θολό ή κομμένο στιγμιότυπο οθόνης παράγει έναν πράκτορα που κάνει κλικ στο λάθος κουμπί και θα ξοδέψετε περισσότερο χρόνο εντοπίζοντας τα σφάλματά του παρά διορθώνοντας το στιγμιότυπο. Συλλάβετε το ορατό παράθυρο προβολής αντί για ολόκληρη τη σελίδα: μια λήψη full_page παράγει μια υπερμεγέθη εικόνα και, χειρότερα, οι συντεταγμένες της δεν ταιριάζουν πλέον με την οθόνη όπου κάνει κλικ το page.mouse.

import base64

def optimized_screenshot(page) -> str:
    """Σύλληψη ορατού παραθύρου προβολής ως PNG, σε base64."""
    screenshot = page.screenshot(
        type="png",
        full_page=False,  # Μόνο το ορατό παράθυρο προβολής
    )
    return base64.b64encode(screenshot).decode("utf-8")

Από την πλευρά του API, η OpenAI συνιστά την αποστολή λήψεων με detail: "original", γεγονός που διατηρεί την ανάλυση και βελτιώνει την ακρίβεια του κλικ, και συμβουλεύει κατά του high και low για το Computer Use. Μια μεγάλη λήψη καταναλώνει περισσότερα tokens και το API μπορεί να αλλάξει το μέγεθός της ή ακόμη και να την απορρίψει αν υπερβαίνει τα όρια. Αν πρέπει να μειώσετε τις λήψεις σας, κάντε το πριν την αποστολή και μετατρέψτε τις συντεταγμένες του μοντέλου στον χώρο της αρχικής εικόνας· η OpenAI αναφέρει καλά αποτελέσματα με επιφάνειες εργασίας στα 1440×900 και 1600×900. Το παράθυρο προβολής 1280×720 που χρησιμοποιείται σε αυτό το μάθημα δεν χρειάζεται μείωση.

Βασικά σημεία

  • Συνδυάστε την απευθείας πλοήγηση (γνωστές διευθύνσεις URL) και την οπτική πλοήγηση (δυναμικοί σύνδεσμοι) ανάλογα με το πλαίσιο
  • Διαχειριστείτε τα αναδυόμενα παράθυρα GDPR στις instructions του πράκτορα, επαναστέλλοντάς τα με κάθε αίτημα
  • Περιμένετε την πλήρη φόρτωση πριν τη λήψη στιγμιότυπου οθόνης
  • Συλλάβετε το ορατό παράθυρο προβολής και στείλτε το με detail: "original"· αν αλλάξετε το μέγεθος της εικόνας, μετατρέψτε τις συντεταγμένες
  • Διαχειριστείτε τις νέες καρτέλες στο Playwright, όχι στην ΤΝ