Cumraíocht Úsáide Ríomhaire sa API
Ar an leathanach seo
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 timpeallachtaOPENAI_API_KEY, agus an uirlis{"type": "computer"}san API Freagraí. Ní bhraitheann sé a thuilleadh ar an SDK Anthropic ná ar an uirlis sheandacomputer_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, aguspillowi dtimpeallacht fhíorúil tiomnaithe, ansin rithplaywright install chromium - Coinnigh an
OPENAI_API_KEYin athróg timpeallachta, riamh i gcód - Dearbhaigh an uirlis le
tools=[{"type": "computer"}]ag baint úsáide as múnla tacaithe (úsáideann samplaí OpenAIgpt-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