Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A számítógép-használat konfigurálása az API-ban

3. lecke 14 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Előfeltételek
  2. Függőségek telepítése
  3. Az API-kulcs beállítása
  4. A számítógép-eszköz deklarálása
  5. A böngésző konfigurálása
  6. A projekt szervezése
  7. A telepítés ellenőrzése
  8. Főbb megállapítások

A leckét 2026. november 3-án írtuk át az OpenAI Computer use útmutatója és a Computer use integration recipes alapján: a konfiguráció most az openai SDK-t, az OPENAI_API_KEY környezeti változót és a {"type": "computer"} eszközt használja a Responses API-ban. Többé nem támaszkodik az Anthropic SDK-ra vagy a régi computer_20241022 eszközre. Az OpenAI eszköznek nincs szüksége képernyőméretekre; a koordináták az általad biztosított képernyőképre vonatkoznak. Források: Computer use · Integration recipes.

Előfeltételek

Mielőtt egyetlen sor kódot is írnál, a munkakörnyezetednek négy dologra van szüksége: a Python 3 egy friss verziójára, egy OpenAI-fiókra, amelyhez aktív API-kulcs tartozik, és hozzáférésed van egy olyan modellhez, amely támogatja a computer eszközt, egy Chromium böngészőre, amelyet a Playwright vezérel a webes interakciókhoz, valamint Dockerre, ha izolálni szeretnéd az ágenst. A Docker tanulási fázisban opcionális, de az OpenAI azt javasolja, hogy használj izolált böngészőt vagy virtuális gépet, amint az ágens a demó oldalakon túl bármi mással is interakcióba lép.

A modell tekintetében az OpenAI dokumentációja a gpt-6.1-sol modellt használja a computer eszköz példáiban. Ellenőrizd a modellkártyát (a Tools szekció alatt), hogy megbizonyosodj róla: a számítógép-használat fel van sorolva, és a projekted rendelkezik hozzáféréssel.

Függőségek telepítése

Dedikált virtuális környezetben dolgozz. A Computer Use ágens rögzített verziókat használ a Playwright és annak böngészői számára. Ha ezeket összekevered más Python projektjeiddel, olyan konfliktusokhoz vezet, amelyek diagnosztizálása fájdalmas lehet.

# Környezet létrehozása és aktiválása
python -m venv computer-use-env
source computer-use-env/bin/activate  # Linux/Mac
# computer-use-env\Scripts\activate   # Windows

# Függőségek telepítése
pip install openai playwright pillow

# A Playwright böngésző telepítése
playwright install chromium

Minden csomag eltérő szerepet tölt be: az openai biztosítja a modellel kommunikáló klienst, a playwright vezérli a böngészőt és hajtja végre a műveleteket, a pillow pedig szükség esetén kezeli a képek manipulálását. Az utolsó parancsot felejtik el a leggyakrabban. A playwright install chromium nélkül a csomag telepítve lesz, de a böngésző nem töltődik le, ami miatt az első futtatás meghiúsul.

Az API-kulcs beállítása

A kulcsot környezeti változóban tárold, soha ne kódold bele közvetlenül a szkriptbe. A kódba írt titkos adat előbb-utóbb felkerül egy Git-tárolóba.

export OPENAI_API_KEY="your-key"

Éles környezetben titokkezelőt (secrets manager) használj. A kliens automatikusan beolvassa a változót:

from openai import OpenAI

client = OpenAI()  # beolvassa az OPENAI_API_KEY változót

A számítógép-eszköz deklarálása

A modell alapértelmezetten nem vezérel képernyőt. Engedélyezned kell a computer eszközt a kérésben, és le kell írnod a várt eredményt.

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-6.1-sol",
    tools=[{"type": "computer"}],
    input=(
        "Ellenőrizd, hogy nyitva van-e a Szűrők panel. Ha nem, "
        "kattints a Szűrők megjelenítése gombra, majd írd be a 'penguin' szót a keresőmezőbe. "
        "Használd a számítógép-eszközt a felülettel való interakcióhoz."
    ),
)
print(response.output)

A deklaráció egyszerűen ennyi: {"type": "computer"}. Ellentétben a korai előzetes verzióval (computer_use_preview), ehhez nincs szükség képernyőméretekre vagy környezeti típusra, és az automatikus csonkolás sem szükséges többé. A modell által visszaadott koordináták az elküldött képernyőképre vonatkoznak. Pontosan azt a területet rögzítsd, amelyre kattani szeretnél, ugyanabban a méretarányban. Ha átméretezed a képernyőképet elküldés előtt, a művelet végrehajtása előtt vissza kell konvertálnod a koordinátákat.

A böngésző konfigurálása

A Playwright oldalán a indítási logikát csomagold egy függvénybe, amelyet feladatok között újra felhasználhatsz.

from playwright.sync_api import sync_playwright

def launch_browser(width=1280, height=720):
    """Elindít egy izolált böngészőt a számítógép-használathoz."""
    pw = sync_playwright().start()
    browser = pw.chromium.launch(headless=True)  # False, ha figyelni akarod az ágenst
    context = browser.new_context(viewport={"width": width, "height": height})
    page = context.new_page()
    return pw, browser, page

A page.screenshot() rögzíti a nézetet (viewport), így a modell koordinátái közvetlenül alkalmazhatók a page.mouse-ra. A headless=True opció felhasználói felület nélkül futtatja a böngészőt, ami szerveren elengedhetetlen. Fejlesztés közben állítsd ezt False-ra, hogy lásd, mit csinál az ágens. Ez a leggyorsabb módja annak, hogy megértsd, miért követ el hibákat.

A projekt szervezése

A böngésző logikáját, az ágens ciklusát és a műveletek végrehajtását már a kezdetektől fogva válaszd szét.

computer-use-project/
├── .env                  # OPENAI_API_KEY (soha ne commitold)
├── requirements.txt      # openai, playwright, pillow
├── src/
│   ├── __init__.py
│   ├── browser.py        # Indítás és rögzítés
│   ├── agent.py          # Computer Use ciklus
│   └── actions.py        # Műveletvégrehajtás
└── tasks/
    └── example.py        # Feladat szkriptek

A telepítés ellenőrzése

Ne építs komplex munkafolyamatot érvényesítetlen konfigurációra. Ha az első futtatás sikertelen, nem fogod tudni, hogy a probléma a kulccsal, a böngészővel vagy a prompttal van-e. Ez a minimális szkript teszteli az egész láncot: klienst, böngészőt, rögzítést és a kép továbbítását a modellnek.

import base64

from openai import OpenAI
from playwright.sync_api import sync_playwright

def test_installation():
    """Ellenőrzi, hogy a kulcs, a böngésző és a képfeltöltés működik-e."""
    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": "Írd le, amit látsz."},
                {"type": "input_image", "image_url": f"data:image/png;base64,{capture}"},
            ],
        }],
    )
    print("Válasz:", response.output_text)

    browser.close()
    pw.stop()

if __name__ == "__main__":
    test_installation()

Ha a konzol kiírja az example.com oldal leírását, a konfigurációd készen áll, és folytathatod egy teljes ágens felépítésével.

Főbb megállapítások

  • Telepítsd az openai, playwright és pillow csomagokat egy dedikált virtuális környezetbe, majd futtasd a playwright install chromium parancsot
  • Az OPENAI_API_KEY-t környezeti változóban tartsd, soha ne a kódban
  • Deklaráld az eszközt a tools=[{"type": "computer"}] szintaxissal egy támogatott modell használatával (az OpenAI példái a gpt-6.1-sol modellt használják)
  • A modell koordinátái az elküldött képernyőképre vonatkoznak: ugyanabban a méretarányban rögzítsd azt a területet, amelyen cselekszel
  • Mielőtt komplex munkafolyamatokat építenél, mindig tesztelj egy minimális szkripttel