Ir al contenido principal
Español— Elegir un idioma
Menú

Configuración del uso del ordenador en la API

Lección 3 de 14 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Requisitos previos
  2. Instalación de dependencias
  3. Configuración de la clave de API
  4. Declaración de la herramienta computer
  5. Configuración del navegador
  6. Organización del proyecto
  7. Verificación de la instalación
  8. Puntos clave

Lección reescrita el 3 de noviembre de 2026 basándose en la guía Computer use de OpenAI y en las recetas de integración de Computer use: la configuración utiliza ahora el SDK openai, la variable de entorno OPENAI_API_KEY y la herramienta {"type": "computer"} en la API de Responses. Ya no depende del SDK de Anthropic ni de la herramienta heredada computer_20241022. La herramienta de OpenAI no requiere dimensiones de pantalla; las coordenadas se refieren a la captura de pantalla que proporciones. Fuentes: Computer use · Recetas de integración.

Requisitos previos

Antes de escribir una sola línea de código, tu estación de trabajo necesita cuatro cosas: una versión reciente de Python 3, una cuenta de OpenAI con una clave de API activa y acceso a un modelo que admita la herramienta computer, un navegador Chromium controlado por Playwright para las interacciones web y Docker si planeas aislar al agente. Docker es opcional mientras estás aprendiendo, pero OpenAI recomienda un navegador aislado o una máquina virtual tan pronto como el agente interactúe con algo más allá de un sitio de demostración.

Para el modelo, la documentación de OpenAI utiliza gpt-6.1-sol en sus ejemplos de la herramienta computer. Consulta la ficha del modelo (bajo Tools) para confirmar que el uso del ordenador aparece listado y que tu proyecto tiene acceso.

Instalación de dependencias

Trabaja en un entorno virtual dedicado. Un agente de uso del ordenador fija versiones específicas de Playwright y sus navegadores. Mezclarlas con tus otros proyectos de Python provocará conflictos difíciles de diagnosticar.

# Crear y activar el entorno
python -m venv computer-use-env
source computer-use-env/bin/activate  # Linux/Mac
# computer-use-env\Scripts\activate   # Windows

# Instalar dependencias
pip install openai playwright pillow

# Instalar el navegador de Playwright
playwright install chromium

Cada paquete desempeña un papel distinto: openai proporciona el cliente que habla con el modelo, playwright controla el navegador y ejecuta las acciones, y pillow gestiona la manipulación de imágenes cuando es necesario. El último comando es el que la gente olvida con más frecuencia. Sin playwright install chromium, el paquete se instala pero no se descarga ningún navegador, lo que hace que la primera ejecución falle.

Configuración de la clave de API

Almacena tu clave en una variable de entorno, nunca codificada directamente en un script. Un secreto escrito en código acaba tarde o temprano en un repositorio de Git.

export OPENAI_API_KEY="your-key"

En producción, utiliza un gestor de secretos. El cliente lee la variable automáticamente:

from openai import OpenAI

client = OpenAI()  # lee OPENAI_API_KEY

Declaración de la herramienta computer

Un modelo no controla una pantalla por defecto. Debes habilitar la herramienta computer en la solicitud y describir el resultado esperado.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6.1-sol",
    tools=[{"type": "computer"}],
    input=(
        "Comprueba si el panel Filtros está abierto. Si no, "
        "haz clic en Mostrar filtros y luego escribe penguin en el campo "
        "de búsqueda. Usa la herramienta computer para interactuar con la interfaz."
    ),
)
print(response.output)

La declaración es simplemente {"type": "computer"}. A diferencia de la versión preliminar inicial (computer_use_preview), no requiere ni dimensiones de pantalla ni un tipo de entorno, y el truncamiento automático ya no es necesario. Las coordenadas que devuelve el modelo se refieren a la captura de pantalla que envías. Captura exactamente el área en la que pretendes hacer clic, a la misma escala. Si cambias el tamaño de una captura de pantalla antes de enviarla, convierte las coordenadas de nuevo antes de actuar.

Configuración del navegador

En el lado de Playwright, envuelve la lógica de inicio en una función que puedas reutilizar en distintas tareas.

from playwright.sync_api import sync_playwright

def launch_browser(width=1280, height=720):
    """Inicia un navegador aislado para el uso del ordenador."""
    pw = sync_playwright().start()
    browser = pw.chromium.launch(headless=True)  # False para observar al agente
    context = browser.new_context(viewport={"width": width, "height": height})
    page = context.new_page()
    return pw, browser, page

page.screenshot() captura el área visible (viewport), por lo que las coordenadas del modelo se aplican directamente a page.mouse. La opción headless=True ejecuta el navegador sin interfaz gráfica, lo cual es esencial en un servidor. Durante el desarrollo, establece esto en False para observar cómo trabaja el agente. Es la forma más rápida de entender por qué comete errores.

Organización del proyecto

Separa desde el principio la lógica del navegador, el bucle del agente y la ejecución de acciones.

computer-use-project/
├── .env                  # OPENAI_API_KEY (nunca confirmar)
├── requirements.txt      # openai, playwright, pillow
├── src/
│   ├── __init__.py
│   ├── browser.py        # Inicio y captura
│   ├── agent.py          # Bucle de uso del ordenador
│   └── actions.py        # Ejecución de acciones
└── tasks/
    └── example.py        # Scripts de tareas

Verificación de la instalación

No construyas un flujo de trabajo complejo sobre una configuración no validada. Si la primera ejecución falla, no sabrás si el problema reside en la clave, en el navegador o en tu instrucción (prompt). Este script mínimo prueba toda la cadena: cliente, navegador, captura y transmisión de la imagen al modelo.

import base64

from openai import OpenAI
from playwright.sync_api import sync_playwright

def test_installation():
    """Verifica que la clave, el navegador y la carga de imágenes funcionan."""
    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": "Describe lo que ves."},
                {"type": "input_image", "image_url": f"data:image/png;base64,{capture}"},
            ],
        }],
    )
    print("Respuesta:", response.output_text)

    browser.close()
    pw.stop()

if __name__ == "__main__":
    test_installation()

Si la consola muestra una descripción de la página example.com, tu configuración está lista y puedes proceder a construir un agente completo.

Puntos clave

  • Instala openai, playwright y pillow en un entorno virtual dedicado y luego ejecuta playwright install chromium
  • Mantén la OPENAI_API_KEY en una variable de entorno, nunca en el código
  • Declara la herramienta con tools=[{"type": "computer"}] usando un modelo compatible (los ejemplos de OpenAI usan gpt-6.1-sol)
  • Las coordenadas del modelo se refieren a la captura de pantalla enviada: captura el área sobre la que actúas a la misma escala
  • Prueba siempre con un script mínimo antes de construir flujos de trabajo complejos