Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Konfiguriranje korištenja računala u API-ju

Lekcija 3 od 14 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Preduvjeti
  2. Instaliranje ovisnosti
  3. Postavljanje API ključa
  4. Deklariranje alata za računalo
  5. Konfiguriranje preglednika
  6. Organiziranje projekta
  7. Provjera instalacije
  8. Ključne točke

Lekcija je prepisana 3. studenog 2026. na temelju OpenAI-jevog vodiča Computer use i recepata za integraciju korištenja računala: konfiguracija sada koristi SDK openai, varijablu okruženja OPENAI_API_KEY i alat {"type": "computer"} u Responses API-ju. Više se ne oslanja na Anthropic SDK ili zastarjeli alat computer_20241022. OpenAI-jev alat ne zahtijeva dimenzije zaslona; koordinate se odnose na snimku zaslona koju dostaviš. Izvori: Computer use · Recepti za integraciju.

Preduvjeti

Prije nego što napišeš ijednu liniju koda, tvoja radna stanica treba četiri stvari: nedavnu verziju Pythona 3, OpenAI račun s aktivnim API ključem i pristupom modelu koji podržava alat computer, Chromium preglednik kojim upravlja Playwright za web interakcije i Docker ako planiraš izolirati agenta. Docker je opcionalan dok učiš, ali OpenAI preporučuje izolirani preglednik ili virtualno računalo čim agent stupi u interakciju s bilo čim osim s demo stranicom.

Za model, OpenAI-jeva dokumentacija koristi gpt-6.1-sol u svojim primjerima alata computer. Provjeri karticu modela (pod Alati) kako bi potvrdio/la da je korištenje računala navedeno i da tvoj projekt ima pristup.

Instaliranje ovisnosti

Radi u namjenskom virtualnom okruženju. Agent za korištenje računala fiksira specifične verzije Playwrighta i njegovih preglednika. Miješanje ovih s tvojim drugim Python projektima dovest će do sukoba koje je bolno dijagnosticirati.

# Stvori i aktiviraj okruženje
python -m venv computer-use-env
source computer-use-env/bin/activate  # Linux/Mac
# computer-use-env\Scripts\activate   # Windows

# Instaliraj ovisnosti
pip install openai playwright pillow

# Instaliraj Playwright preglednik
playwright install chromium

Svaki paket ima različitu ulogu: openai pruža klijenta koji komunicira s modelom, playwright upravlja preglednikom i izvršava radnje, a pillow rukuje manipulacijom slikama kada je to potrebno. Posljednja naredba je ona koju ljudi najčešće zaborave. Bez playwright install chromium, paket je instaliran, ali nijedan preglednik nije preuzet, što uzrokuje neuspjeh prvog pokretanja.

Postavljanje API ključa

Svoj ključ pohrani u varijablu okruženja, nikada ga nemoj hardkodirati u skriptu. Tajna zapisana u kodu na kraju završi u Git repozitoriju.

export OPENAI_API_KEY="your-key"

U proizvodnji koristi upravitelja tajnama. Klijent automatski čita varijablu:

from openai import OpenAI

client = OpenAI()  # čita OPENAI_API_KEY

Deklariranje alata za računalo

Model prema zadanim postavkama ne upravlja zaslonom. Moraš omogućiti alat computer u zahtjevu i opisati očekivani ishod.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6.1-sol",
    tools=[{"type": "computer"}],
    input=(
        "Provjeri je li panel Filteri otvoren. Ako nije, "
        "klikni Prikaži filtre, zatim upiši pingvin u polje za "
        "pretraživanje. Koristi alat za računalo za interakciju s sučeljem."
    ),
)
print(response.output)

Deklaracija je jednostavno {"type": "computer"}. Za razliku od rane verzije pregleda (computer_use_preview), ne zahtijeva dimenzije zaslona niti vrstu okruženja, a automatsko skraćivanje više nije potrebno. Koordinate koje model vraća odnose se na snimku zaslona koju pošalješ. Uhvati točno područje na koje namjeravaš kliknuti, u istoj mjeri. Ako promijeniš veličinu snimke zaslona prije slanja, pretvori koordinate natrag prije djelovanja.

Konfiguriranje preglednika

Na strani Playwrighta, omotaj logiku pokretanja u funkciju koju možeš ponovno koristiti u različitim zadacima.

from playwright.sync_api import sync_playwright

def launch_browser(width=1280, height=720):
    """Pokreće izolirani preglednik za korištenje računala."""
    pw = sync_playwright().start()
    browser = pw.chromium.launch(headless=True)  # False za promatranje agenta
    context = browser.new_context(viewport={"width": width, "height": height})
    page = context.new_page()
    return pw, browser, page

page.screenshot() snima vidljivi dio (viewport), pa se koordinate modela izravno primjenjuju na page.mouse. Opcija headless=True pokreće preglednik bez korisničkog sučelja, što je bitno na poslužitelju. Tijekom razvoja postavi ovo na False kako bi promatrao/la kako agent radi. To je najbrži način da shvatiš zašto radi pogreške.

Organiziranje projekta

Od samog početka odvoji logiku preglednika, petlju agenta i izvršavanje radnji.

computer-use-project/
├── .env                  # OPENAI_API_KEY (nikada ne commitaj)
├── requirements.txt      # openai, playwright, pillow
├── src/
│   ├── __init__.py
│   ├── browser.py        # Pokretanje i snimanje
│   ├── agent.py          # Petlja za korištenje računala
│   └── actions.py        # Izvršavanje radnji
└── tasks/
    └── example.py        # Skripte zadataka

Provjera instalacije

Ne gradi složeni radni tijek na nevalidiranoj konfiguraciji. Ako prvo pokretanje ne uspije, nećeš znati leži li problem u ključu, pregledniku ili tvojem promptu. Ova minimalna skripta testira cijeli lanac: klijent, preglednik, snimanje i prijenos slike modelu.

import base64

from openai import OpenAI
from playwright.sync_api import sync_playwright

def test_installation():
    """Provjerava funkcioniraju li ključ, preglednik i prijenos slike."""
    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": "Opiši što vidiš."},
                {"type": "input_image", "image_url": f"data:image/png;base64,{capture}"},
            ],
        }],
    )
    print("Odgovor:", response.output_text)

    browser.close()
    pw.stop()

if __name__ == "__main__":
    test_installation()

Ako konzola prikaže opis stranice example.com, tvoja je konfiguracija spremna i možeš nastaviti s izgradnjom potpunog agenta.

Ključne točke

  • Instaliraj openai, playwright i pillow u namjensko virtualno okruženje, zatim pokreni playwright install chromium
  • Drži OPENAI_API_KEY u varijabli okruženja, nikada u kodu
  • Deklariraj alat s tools=[{"type": "computer"}] koristeći podržani model (OpenAI primjeri koriste gpt-6.1-sol)
  • Koordinate modela odnose se na poslanu snimku zaslona: uhvati područje na koje djeluješ u istoj mjeri
  • Uvijek testiraj s minimalnom skriptom prije izgradnje složenih radnih tijekova