Kas ir datora izmantošana
Šajā lapā
Nodarbība atjaunināta 2026. gada 3. novembrī, balstoties uz OpenAI Computer use rokasgrāmatu: šis kurss tagad seko
computerrīkam Responses API, aizstājot iepriekšējo Anthropic API pieeju. Sadaļa par ekosistēmas dalībniekiem aptver abus OpenAI dokumentētos ceļus (koda izpilde, kas ieteicama GPT-6 Astra, uncomputerrīks). Mēs esam dzēsusi nepamatotus apgalvojumus par konkurentu produktiem. Avots: Computer use.
Jauns veids, kā mijiedarboties ar mašīnām
Gadiem ilgi valodu modeļi bija tikai teksta bāzēti sarunu biedri: tu uzdevi jautājumu, saņēmi atbildi, un viss, kas saistīts ar reālo pasauli, palika tavā ziņā. Datora izmantošana (Computer Use) nojauc šo barjeru. Modelis redz ekrānu un pieņem lēmumu, kādas žestus veikt — klikšķināt, rakstīt, ritināt, pārslēgt lietotnes —, un tava lietotne šīs darbības izpilda tā vārdā.
Šī pārmaiņa ir dziļāka, nekā šķiet. Tradicionālā automatizācija turas pie tehniskiem enkuriem: CSS selektora, DOM ID vai API, ko programmatūras pārdevējs ir izvēlējies atklāt. Tiklīdz front-end komanda pārdēvē klasi, skripts apstājas, un bieži vien neviens to nepamana, līdz nākamajā dienā saņem tukšu pārskatu. Izmantojot Computer Use, tu dod norādi dabiskā valodā, un AI navigē saskarnē tieši tā, kā to uztver cilvēks. Pogas “Iesniegt” pārvietošana par trim collām vai tās pārkraošana zaļā krāsā nemaina faktu, ka tā joprojām ir poga “Iesniegt”.
Cikls, kas to padara iespējamu
Mehānisms darbojas piecos soļos, un to atkārtošanās rada sistēmas spēku:
- Tava lietotne uzņem ekrāna vai pārlūka loga attēlu
- Modelis analizē attēlu, lai saprastu, ko tas redz
- Tas pieņem lēmumu par vienu vai vairākām darbībām (klikšķis, taustiņsitieni, ritināšana)
- Tava lietotne izpilda šīs darbības mašīnā
- Jauns attēls tiek nosūtīts modelim atpakaļ, un cikls sākas no jauna
Šī uztveres-darbības cilpa ir sistēmas kodols. Aplūkojam biežu scenāriju: tavam aģentam jāaizpilda kontakta forma, bet tās ielādes brīdī uzlec sīkdatņu paziņojums. Selenium skripts, kas to nav paredzējis, klikšķina tukšumā un izraisa kļūdu, kuru ir grūti interpretēt. Computer Use aģents savukārt redz paziņojumu ekrānuzņēmumā, to apstrādā, veic jaunu attēla uzņemšanu un atrod formu vēlreiz. Tas neatkārto stingru plānu; tas katrā iterācijā no jauna izvērtē situāciju.
Ko mēs faktiski automatizējam
Galvenais lietojuma gadījums ir end-to-end testēšana. Tu apraksti pārbaudāmo ceļu — “piesakies sistēmā, pievieno preci grozam, dodies uz kasi” — un aģents to izspēlē kā lietotājs, neprasaot uzturēt selektoru bibliotēku, kas zaudē spēku ar katru vietnes dizaina maiņu.
Nākamais ir RPA jeb atkārtojošu uzdevumu automatizācija programmaturā, kurai trūkst API: vecs iekšējais ERP, piegādātāja ekstranets vai 2000. gadu biznesa lietotne, kuras ražotājs vairs nepastāv. Ja tehniskā integrācija nav iespējama, aģents strādā caur ekrānu, tieši tāpat kā darbinieks, kurš agrāk datus pārrakstīja ar roku.
Tīmekļa datu ieguve (scraping) kļūst pieejama arī dinamiskām vietnēm, kas pretojas tradicionālajiem ekstraktoriem, jo aģents lasa renderēto lapu, nevis neapstrādātu HTML. Darbplūsmas, kas iesaista vairākas lietotnes — pasūtījuma izgūšana no CRM, tā ievadīšana izklājlapā, apstiprinājuma e-pasta nosūtīšana — tiek savienotas vienā sesijā. Šī pati spēja noder lietotāju atbalstam: aģents nevis skaidro, kur klikšķināt, bet gan faktiski navigē saskarnē.
Dalībnieki 2026. gadā
Šis kurss seko OpenAI piedāvājumam, kas Responses API atver divus ceļus. Izmantojot koda izpildi, modelis uzraksta skriptu (piemēram, Playwright vai PyAutoGUI), ko tava izolētā vide izpilda, pirms atgriež rezultātu un ekrānuzņēmumus; viens izsaukums var tad ķēdēt cilpas un nosacījumus, padarot to par ceļu, ko OpenAI iesaka GPT-6 Astra. Izmantojot computer rīku, modelis atgriež strukturētas peles un tastatūras darbības, ko tava lietotne pārvērš žestos; šis rīks joprojām tiek atbalstīts, un tieši to tu izmantosi šeit, jo tas atklāj cilpu tās tīrajā veidā. OpenAI SDK nodrošina arī gatavus palīgrīkus (ComputerToolset, BrowserToolset), kas pārvalda šo cilpu tavā vietā.
Citi sniedzēji, jo īpaši Anthropic, piedāvā līdzīgu rīku savā API ar atšķirīgu apmaiņas formātu: kods šajā kursā netiek tieši pārnests, taču principi — cilpa, darbību pārvaldnieks, izolācija, cilvēka apstiprinājums — paliek tie paši.
Ko tu iegūsti un par ko maksā
| Kritērijs | Klasiskie skripti | Datora izmantošana |
|---|---|---|
| Saskarne | API vai DOM selektori | Vizuāla (ekrānuzņēmumi) |
| Trauslums | Bojājas, ja mainās lietotāja saskarne | Pielāgojas vizuāli |
| Sarežģītība | Vietnei specifisks kods | Norādes dabiskā valodā |
| Ātrums | Ātrs | Lēnāks (ekrānuzņēmumu cilpa) |
Uztver šo tabulu kā kompromisu, nevis rangā kārtību. Tu apmaini neapstrādātu ātrumu pret noturību un gandrīz nulles uzturēšanas izmaksām. Piecdesmit tūkstošiem ikdienas izpildījumu stabilā lapā, kur tu kontrolē HTML, skripts joprojām ir pareizā izvēle. Ceļam, kas tiek pielāgots katru mēnesi, vai programmatūrai bez API, svari noteikti noliecas uz otru pusi — un šis kurss iemāca tev tikt galā tieši ar šo otro gadījumu.
Galvenās atziņas
- Datora izmantošana ļauj AI redzēt un vadīt ekrānu, izmantojot attēla uzņemšanas un darbības cilpu
- Tas ir atšķirīgs paradigmas lēciens salīdzinājumā ar klasiskajiem skriptiem: noturīgāks, bet lēnāks
- Galvenie lietojuma gadījumi ietver E2E testēšanu, RPA, datu ieguvi un darbplūsmas starp vairākām lietotnēm
- OpenAI piedāvā divus ceļus: koda izpildi, kas ieteicama GPT-6 Astra, un
computerrīku, ko izmantojam šajā kursā