Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Cumraíocht Úsáide Ríomhaire sa API

Ceacht 3 as 14 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Réamhriachtanais
  2. Spleáchais a shuiteáil
  3. An eochair API a shocrú
  4. An uirlis ríomhaire a dhearbhú
  5. An brabhsálaí a chumrú
  6. An tionscadal a eagrú
  7. An tsuiteáil a fhíorú
  8. Príomhphointí

An ceacht athscríofa an 3 Samhain, 2026 bunaithe ar threoir Computer use ó OpenAI agus ar Computer use integration recipes: úsáideann an chumraíocht anois an SDK openai, an athróg timpeallachta OPENAI_API_KEY, agus an uirlis {"type": "computer"} san API Freagraí. Ní bhraitheann sé a thuilleadh ar an SDK Anthropic ná ar an uirlis sheanda computer_20241022. Ní éilíonn uirlis OpenAI toisí scáileáin; tagraíonn comhordanáidí don scáileanghraf a sholáthraíonn tú. Foincí: Computer use · Integration recipes.

Réamhriachtanais

Sula scríobhann tú aon líne cóid, teastaíonn ceithre rud ó do stáisiún oibre: leagan déanach de Python 3, cuntas OpenAI le heochair API gníomhach agus rochtain ar mhúnla a thacaíonn leis an uirlis computer, brabhsálaí Chromium á thiomáint ag Playwright le haghaidh idirghníomhaíochtaí gréasáin, agus Docker má tá sé ar intinn agat an gníomhaire a aonrú. Tá Docker roghnach agus tú ag foghlaim, ach molann OpenAI brabhsálaí aonraithe nó meaisín fíorúil a luaithe a dhéanann an gníomhaire idirghníomhú le haon rud seachas suíomh taispeána.

Maidir leis an múnla, úsáideann doiciméadú OpenAI gpt-6.1-sol ina chuid samplaí uirlise computer. Seiceáil an cárta múnla (faoi Tools) chun a dheimhniú go bhfuil úsáid ríomhaire liostaithe agus go bhfuil rochtain ag do thionscadal air.

Spleáchais a shuiteáil

Obair i dtimpeallacht fhíorúil tiomnaithe. Pinneann gníomhaire Úsáide Ríomhaire leaganacha sonracha de Playwright agus a bhrabhsálaithe. Má mheascann tú iad seo le do thionscadail Python eile, beidh coinbhleachtaí ann a bheidh pianmhar le diagnóisiú.

# Cruthaigh agus gníomhachtaigh an timpeallacht
python -m venv computer-use-env
source computer-use-env/bin/activate  # Linux/Mac
# computer-use-env\Scripts\activate   # Windows

# Suiteáil na spleáchais
pip install openai playwright pillow

# Suiteáil brabhsálaí Playwright
playwright install chromium

Bíonn ról ar leith ag gach pacáiste: soláthraíonn openai an cliant a labhraíonn leis an múnla, tiomáineann playwright an brabhsálaí agus feidhmíonn sé gníomhartha, agus déileálann pillow le manipileáil íomhá nuair is gá. Is é an t-ordú deireanach an ceann is minice a dhéanann daoine dearmad air. Gan playwright install chromium, suiteáiltear an pacáiste ach ní íoslódáiltear aon bhrabhsálaí, rud a fhágann go dteipeann ar an gcéad rith.

An eochair API a shocrú

Stóráil d’eochair in athróg timpeallachta, ná bíodh sé crua-chódaithe i scripte riamh. Deireann rún atá scríofa i g cód i stór Git sa deireadh.

export OPENAI_API_KEY="your-key"

I dtáirgeadh, úsáid bainisteoir rúnda. Léann an cliant an athróg go huathoibríoch:

from openai import OpenAI

client = OpenAI()  # léann sé OPENAI_API_KEY

An uirlis ríomhaire a dhearbhú

Ní rialaíonn múnla scáileán go huathoibríoch. Caithfidh tú an uirlis computer a chumasú san iarratas agus cur síos a dhéanamh ar an toradh a bhfuiltear ag súil leis.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6.1-sol",
    tools=[{"type": "computer"}],
    input=(
        "Seiceáil an bhfuil an painéal Scagairí oscailte. Mura bhfuil, "
        "cliceáil Taispeáin Scagairí, ansin clóscríobh penguin sa réimse cuardaigh. "
        "Úsáid an uirlis ríomhaire chun idirghníomhú leis an gcomhéadan."
    ),
)
print(response.output)

Níl sa dearbhú ach {"type": "computer"}. Murab ionann agus an leagan réamhamhairc luath (computer_use_preview), ní éilíonn sé toisí scáileáin ná cineál timpeallachta, agus ní gá truncadh uathoibríoch a thuilleadh. Tagraíonn na comhordanáidí a thugann an múnla ar ais don scáileanghraf a sheolann tú. Gabh go díreach an limistéar atá beartaithe agat a chliceáil, ar an scála céanna. Má athraíonn tú méid scáileanghraif sula seolann tú é, tiontaigh na comhordanáidí ar ais sula ndéanann tú gníomhú.

An brabhsálaí a chumrú

Ar thaobh Playwright, cuimsigh an loighic seolta i bhfeidhm is féidir leat a athúsáid thar tascanna éagsúla.

from playwright.sync_api import sync_playwright

def launch_browser(width=1280, height=720):
    """Seolann sé brabhsálaí aonraithe le haghaidh Úsáide Ríomhaire."""
    pw = sync_playwright().start()
    browser = pw.chromium.launch(headless=True)  # Bréagach chun an gníomhaire a fheiceáil
    context = browser.new_context(viewport={"width": width, "height": height})
    page = context.new_page()
    return pw, browser, page

Gabhann page.screenshot() an t-amharcphort, mar sin feidhmíonn comhordanáidí an mhúnla go díreach ar page.mouse. Rithíonn an rogha headless=True an brabhsálaí gan comhéadan úsáideora, rud atá riachtanach ar fhreastalaí. Le linn forbartha, socraigh é seo ar False chun féachaint ar an ngníomhaire ag obair. Is é an bealach is tapúla é chun tuiscint a fháil ar an fáth a ndéanann sé botúin.

An tionscadal a eagrú

Deighil loighic an bhrabhsálaí, lúb an ghníomhaire, agus feidhmiú gníomhartha ón tús.

computer-use-project/
├── .env                  # OPENAI_API_KEY (ná déan gealltanas riamh)
├── requirements.txt      # openai, playwright, pillow
├── src/
│   ├── __init__.py
│   ├── browser.py        # Seol agus gabh
│   ├── agent.py          # Lúb Úsáide Ríomhaire
│   └── actions.py        # Feidhmiú gníomhartha
└── tasks/
    └── example.py        # Scripteanna tasc

An tsuiteáil a fhíorú

Ná tóg sruth oibre casta ar chumraíocht nach bhfuil bailíochtaithe. Má theipeann ar an gcéad rith, ní bheidh a fhios agat an bhfuil an fhadhb leis an eochair, leis an mbrabhsálaí, nó le do leid. Déanann an script íosta seo tástáil ar an slabhra iomlán: cliant, brabhsálaí, gabháil, agus tarchur íomhá chuig an múnla.

import base64

from openai import OpenAI
from playwright.sync_api import sync_playwright

def test_installation():
    """Fíoraíonn sé go n-oibríonn an eochair, an brabhsálaí, agus an t-íoslódáil íomhá."""
    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": "Déan cur síos ar an rud a fheiceann tú."},
                {"type": "input_image", "image_url": f"data:image/png;base64,{capture}"},
            ],
        }],
    )
    print("Freagra:", response.output_text)

    browser.close()
    pw.stop()

if __name__ == "__main__":
    test_installation()

Má thaispeánann an consól cur síos ar an leathanach example.com, tá do chumraíocht réidh, agus is féidir leat dul ar aghaidh chun gníomhaire iomlán a thógáil.

Príomhphointí

  • Suiteáil openai, playwright, agus pillow i dtimpeallacht fhíorúil tiomnaithe, ansin rith playwright install chromium
  • Coinnigh an OPENAI_API_KEY in athróg timpeallachta, riamh i gcód
  • Dearbhaigh an uirlis le tools=[{"type": "computer"}] ag baint úsáide as múnla tacaithe (úsáideann samplaí OpenAI gpt-6.1-sol)
  • Tagraíonn comhordanáidí an mhúnla don scáileanghraf a seoladh: gabh an limistéar a ndéanann tú gníomhú air ar an scála céanna
  • Déan tástáil i gcónaí le script íosta sula dtógann tú sruthanna oibre casta