Ir al contenido principal
Español— Elegir un idioma
Menú

Navegación web

Lección 5 de 14 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Más allá del simple clic
  2. Dos formas de llegar a algún sitio
  3. El banner de cookies: el primer obstáculo
  4. Tres formas de esperar
  5. Guiar un recorrido largo
  6. La IA no gestiona las pestañas
  7. La calidad de imagen lo condiciona todo
  8. Puntos clave

Lección actualizada el 3 de noviembre de 2026 según la guía Computer use de OpenAI, sus Recetas de integración y la referencia de la API de Responses: las instrucciones deben pasarse mediante el parámetro instructions y reenviarse en cada solicitud, ya que no se conservan mediante previous_response_id; el script que eliminaba target="_blank" contenía un error de sintaxis de JavaScript y solo cubría los enlaces ya presentes; las recomendaciones de imagen siguen ahora las directrices de OpenAI (detail: "original", redimensionado con conversión de coordenadas). Fuentes: Recetas de integración · Computer use.

Más allá del simple clic

Para un agente, navegar no es solo abrir una URL. Es moverse por una web real llena de redirecciones, páginas que tardan cuatro segundos en renderizarse, banners de consentimiento que lo cubren todo y contenido que solo aparece tras varios desplazamientos. Un agente que ignora estas fricciones falla en la segunda página; uno que las anticipa encadena un recorrido de diez pantallas sin ninguna intervención.

Dos formas de llegar a algún sitio

Cuando conoces la dirección exacta, no pidas a la IA que la busque: envía el navegador allí directamente.

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

Por el contrario, cuando la dirección depende de lo que se muestra —el tercer producto de una lista ordenada por precio, un enlace dinámico «Ver factura»—, deja que el modelo mire y haga clic.

# La IA ve la captura de pantalla y decide hacer clic en un enlace
# Esto ocurre automáticamente en el bucle de Computer Use

El enfoque correcto es combinar ambas estrategias en un único flujo de trabajo: navegación directa para los hitos conocidos de tu recorrido y navegación visual para cualquier elemento descubierto sobre la marcha. Así evitas iteraciones costosas que no aportan valor.

El banner de cookies: el primer obstáculo

En Europa, casi todos los sitios muestran un banner de consentimiento en la primera carga. Mientras esté presente, captura los clics y tu agente da vueltas sin entender por qué la página no reacciona. No improvises soluciones sitio a sitio: intégralo de una vez por todas en las instrucciones del agente —el parámetro instructions de la API de Responses, que actúa como prompt de sistema— con una directriz clara sobre qué rechazar.

INSTRUCTIONS = """Eres un agente que navega por la web.
Reglas:
- Si ves un banner de cookies o de consentimiento,
  rechaza las cookies opcionales o haz clic en «Rechazar» / «Refuser»
- Si solo se ofrece «Aceptar», acepta solo si la tarea lo permite;
  en caso contrario, detente e infórmalo
- No pierdas tiempo con ventanas emergentes: gestióname de inmediato
"""

# Pasa esto en CADA solicitud del bucle: con previous_response_id,
# las instrucciones de la respuesta anterior no se conservan.
response = client.responses.create(
    model="gpt-6.1-sol",
    tools=[{"type": "computer"}],
    instructions=INSTRUCTIONS,
    input=tache,
)

El orden de las dos primeras reglas importa: el agente rechaza por defecto y aceptar sigue siendo una decisión de la persona que asigna la tarea, no del modelo. Además, observa el comentario del código: la documentación de la API de Responses indica que las instructions de una respuesta no se conservan en la siguiente al encadenar mediante previous_response_id. Un bucle que las envía solo en el primer turno las pierde en el segundo.

Tres formas de esperar

Las páginas modernas cargan contenido de forma asíncrona y tu agente podría hacer clic donde un botón aún no ha llegado. La solución más fiable sigue siendo la espera de red de Playwright, que devuelve el control una vez finalizadas todas las solicitudes.

page.goto(url)
page.wait_for_load_state("networkidle")
# Todas las solicitudes de red han finalizado

Esto no basta en todos los casos: en una aplicación que mantiene una conexión persistente —websocket, polling, chat en vivo— la red nunca está inactiva y la espera finalmente agota el tiempo de espera. Recurre entonces a un simple retraso antes de capturar.

import time

def wait_and_screenshot(page, wait_seconds=2):
    """Espera y luego captura una captura de pantalla."""
    time.sleep(wait_seconds)
    return page.screenshot()

Existe una tercera vía, a menudo pasada por alto: confiar el juicio al propio modelo. Ve el indicador de carga o el contenido renderizado parcialmente y entiende que es mejor solicitar una captura adicional que actuar a ciegas.

task = """
Navega a https://example.com/dashboard.
Si la página parece seguir cargándose 
(indicador visible, contenido parcial), 
espera una captura adicional antes de actuar.
"""

Guiar un recorrido largo

En una secuencia de varias páginas, una tarea formulada en una sola frase se desmorona por el camino: el agente olvida la mitad de las instrucciones en la tercera pantalla. Desglósala en pasos explícitos; gracias al encadenamiento de respuestas mediante previous_response_id, el modelo mantiene el registro de los que ya ha completado y sabe siempre dónde se encuentra.

task = """
Paso 1: Ve a https://shop.example.com
Paso 2: Busca «mechanical keyboard» en la barra de búsqueda
Paso 3: Ordena los resultados por precio ascendente
Paso 4: Abre el primer producto
Paso 5: Anota el precio y la disponibilidad
"""

La IA no gestiona las pestañas

Computer Use funciona con un único viewport. Si un enlace se abre en una nueva pestaña, el agente sigue fotografiando la antigua y no entiende por qué nada ha cambiado —una situación clásica con enlaces target="_blank", presentes en casi todos los sitios de noticias. Soluciona esto aguas arriba en Playwright, para que el modelo no tenga que preocuparse.

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):
    """Mantén la navegación en la pestaña que fotografía el agente."""
    # En cada página cargada, un clic en un enlace target="_blank"
    # lo abre en la pestaña actual...
    context.add_init_script(REMOVE_BLANK)
    # ... y cualquier ventana abierta por script se cierra de inmediato
    page.on("popup", lambda popup: popup.close())

El script de inicialización se ejecuta en cada página antes que sus propios scripts: el oyente, establecido durante la fase de captura, elimina el atributo target antes de que el navegador siga el enlace. El evento popup de la página cubre lo que queda: ventanas abiertas por window.open.

La calidad de imagen lo condiciona todo

Una captura borrosa o recortada produce un agente que hace clic en el botón equivocado, y pasarás más tiempo depurando sus errores que arreglando la captura. Captura el viewport visible en lugar de la página completa: una captura full_page genera una imagen sobredimensionada y, peor aún, sus coordenadas ya no coinciden con la pantalla donde page.mouse hace clic.

import base64

def optimized_screenshot(page) -> str:
    """Captura el viewport visible como PNG, en base64."""
    screenshot = page.screenshot(
        type="png",
        full_page=False,  # Solo el viewport visible
    )
    return base64.b64encode(screenshot).decode("utf-8")

En el lado de la API, OpenAI recomienda enviar las capturas con detail: "original", lo que preserva la resolución y mejora la precisión del clic, y desaconseja high y low para Computer Use. Una captura grande consume más tokens y la API puede redimensionarla o incluso rechazarla si supera los límites. Si debes reducir tus capturas, hazlo antes de enviarlas y convierte las coordenadas del modelo al espacio de la imagen original; OpenAI reporta buenos resultados con escritorios a 1440×900 y 1600×900. El viewport de 1280×720 usado en este curso no necesita reducción.

Puntos clave

  • Combina navegación directa (URL conocidas) y navegación visual (enlaces dinámicos) según el contexto
  • Gestiona los popups del RGPD en las instructions del agente, reenviándolas en cada solicitud
  • Espera a la carga completa antes de capturar una captura de pantalla
  • Captura el viewport visible y envíalo con detail: "original"; si redimensionas la imagen, convierte las coordenadas
  • Gestiona las nuevas pestañas en Playwright, no en la IA