כלי ומודל לשימוש במחשב

המודל והכלי Gemini Computer מאפשרים לאפליקציות שלכם ליצור אינטראקציה עם הדפדפן ולבצע אוטומטית משימות בו. באמצעות צילומי מסך, המודל והכלי לשימוש במחשב יכולים להסיק מידע על מסך המחשב ולבצע פעולות על ידי יצירת פעולות ספציפיות בממשק המשתמש, כמו קליקים בעכבר וקלט מהמקלדת. בדומה לקריאה לפונקציה, צריך לכתוב את קוד האפליקציה בצד הלקוח כדי לקבל את הקריאה לפונקציה של המודל לשימוש במחשב והכלי, ולהפעיל את הפעולות המתאימות.

באמצעות מודל השימוש במחשב והכלי, אפשר לבנות סוכנים שיכולים:

  • להפוך לאוטומטית משימות חוזרות של הזנת נתונים או מילוי טפסים באתרים.
  • לגלוש באתרים כדי לאסוף מידע.
  • עזרה למשתמשים על ידי ביצוע רצפים של פעולות באפליקציות אינטרנט.

הנושאים במדריך:

המדריך הזה מבוסס על ההנחה שאתם משתמשים ב-Google Gen AI SDK ל-Python ומכירים את Playwright API.

במהלך תקופת התצוגה המקדימה הזו, המודל והכלי לשימוש במחשב לא נתמכים בשפות אחרות של SDK או במסוף Google Cloud .

בנוסף, אפשר לראות את יישום העזר של מודל השימוש במחשב וכלי ב-GitHub.

מודלים נתמכים

המודל והכלי לשימוש במחשב נתמכים כשמשתמשים במודלים הבאים:

לחצו כדי להרחיב את רשימת המודלים הנתמכים

איך פועלים המודל והכלי לשימוש במחשב

במקום ליצור תשובות טקסטואליות, המודל והכלי לשימוש במחשב קובעים מתי לבצע פעולות ספציפיות בממשק המשתמש, כמו קליקים בעכבר, ומחזירים את הפרמטרים הדרושים לביצוע הפעולות האלה. צריך לכתוב את קוד האפליקציה בצד הלקוח כדי לקבל את מודל השימוש במחשב ואת הכלי function_call ולבצע את הפעולות המתאימות.

השימוש במחשב והאינטראקציות עם כלי עבודה מתבצעים בתהליך של לולאה פעילה:

  1. שליחת בקשה למודל

    • מוסיפים את מודל השימוש במחשב ואת הכלי, ואם רוצים, גם כלים נוספים לבקשת ה-API.
    • הנחיה של המודל והכלי לשימוש במחשב עם הבקשה של המשתמש וצילום מסך שמייצג את המצב הנוכחי של ממשק המשתמש הגרפי.

  2. קבלת התשובה של המודל

    • המודל מנתח את בקשת המשתמש ואת צילום המסך, ומפיק תגובה שכוללת הצעה לfunction_call שמייצגת פעולה בממשק המשתמש (לדוגמה, 'לחיצה על קואורדינטה (x,y)' או 'הקלדת הטקסט'). רשימה של כל הפעולות שאפשר להשתמש בהן עם המודל מופיעה במאמר בנושא פעולות נתמכות.
    • התשובה של ה-API עשויה לכלול גם safety_response ממערכת בטיחות פנימית שבדקה את הפעולה שהמודל מציע. התג הזה safety_response מסווג את הפעולה כ:
      • רגילה או מותרת: הפעולה נחשבת בטוחה. יכול להיות גם שלא יופיע safety_response.
      • נדרש אישור: המודל עומד לבצע פעולה שעשויה להיות מסוכנת (לדוגמה, לחיצה על באנר של אישור קובצי Cookie).

  3. ביצוע הפעולה שהתקבלה

    • הקוד בצד הלקוח מקבל את function_call ואת כל safety_response הנלווים.
    • אם הערך של safety_response הוא regular או allowed (או אם לא מופיע safety_response), הקוד בצד הלקוח יכול להפעיל את function_call שצוין בסביבת היעד (למשל, דפדפן אינטרנט).
    • אם safety_response מציין שנדרש אישור, האפליקציה צריכה לבקש מהמשתמש אישור לפני הפעלת function_call. אם המשתמש מאשר, ממשיכים להפעיל את הפעולה. אם המשתמש מסרב, לא מבצעים את הפעולה.

  4. תיעוד מצב הסביבה החדש

    • אם הפעולה בוצעה, הלקוח מצלם צילום מסך חדש של ממשק המשתמש ושל כתובת ה-URL הנוכחית כדי לשלוח אותם בחזרה למודל ולכלי לשימוש במחשב כחלק מ-function_response.
    • אם פעולה נחסמה על ידי מערכת הבטיחות או שהמשתמש סירב לאשר אותה, יכול להיות שהאפליקציה תשלח למודל סוג אחר של משוב או תסיים את האינטראקציה.

בקשה חדשה נשלחת למודל עם המצב המעודכן. התהליך חוזר על עצמו משלב 2, והמודל והכלי לשימוש במחשב משתמשים בצילום המסך החדש (אם הוא סופק) וביעד המתמשך כדי להציע את הפעולה הבאה. הלולאה נמשכת עד שהמשימה מסתיימת, מתרחשת שגיאה או שהתהליך מסתיים (לדוגמה, אם תשובה נחסמת על ידי מסנני בטיחות או החלטת משתמש).

התרשים הבא ממחיש איך פועלים מודל השימוש במחשב והכלי:

סקירה כללית על הכלי 'שימוש במחשב'

הפעלת המודל והכלי לשימוש במחשב

כדי להפעיל את המודל והכלי לשימוש במחשב, משתמשים ב-gemini-3-flash-preview או ב-gemini-3.5-flash בתור המודל, ומוסיפים את המודל והכלי לשימוש במחשב לרשימת הכלים המופעלים:

Python

from google import genai
from google.genai import types
from google.genai.types import Content, Part, FunctionResponse

client = genai.Client()

# Add Computer use model and tool to the list of tools
generate_content_config = genai.types.GenerateContentConfig(
    tools=[
        types.Tool(
            computer_use=types.ComputerUse(
                environment=types.Environment.ENVIRONMENT_BROWSER,
                )
              ),
            ]
          )

# Example request using the Computer use model and tool
contents = [
    Content(
        role="user",
        parts=[
            Part(text="Go to google.com and search for 'weather in New York'"),
          ],
        )
      ]

response = client.models.generate_content(
    model="gemini-3-flash-preview",
    contents=contents,
    config=generate_content_config,
  )

שליחת בקשה

אחרי שמגדירים את המודל ואת הכלי לשימוש במחשב, שולחים למודל הנחיה שכוללת את המטרה של המשתמש וצילום מסך ראשוני של ממשק המשתמש הגרפי.

אפשר גם להוסיף את הפרטים הבאים:

  • פעולות שמוחרגות: אם יש פעולות מתוך רשימת פעולות ממשק המשתמש הנתמכות שאתם לא רוצים שהמודל יבצע, צריך לציין את הפעולות האלה ב-excluded_predefined_functions.
  • פונקציות בהגדרת המשתמש: בנוסף למודל ולכלי לשימוש במחשב, יכול להיות שתרצו לכלול פונקציות מותאמות אישית בהגדרת המשתמש.

בדוגמת הקוד הבאה מפעילים את המודל ואת הכלי לשימוש במחשב ושולחים את הבקשה למודל:

Python

from google import genai
from google.genai import types
from google.genai.types import Content, Part

client = genai.Client()

# Specify predefined functions to exclude (optional)
excluded_functions = ["drag_and_drop"]

# Configuration for the Computer use model and tool with browser environment
generate_content_config = genai.types.GenerateContentConfig(
    tools=[
        # 1. Computer Use tool with browser environment
        types.Tool(
            computer_use=types.ComputerUse(
                environment=types.Environment.ENVIRONMENT_BROWSER,
                # Optional: Exclude specific predefined functions
                excluded_predefined_functions=excluded_functions
                )
              ),
        # 2. Optional: Custom user-defined functions (need to defined above)
        # types.Tool(
           # function_declarations=custom_functions
           #   )
    ],
)

# Create the content with user message
contents: list[Content] = [
    Content(
        role="user",
        parts=[
            Part(text="Search for highly rated smart fridges with touchscreen, 2 doors, around 25 cu ft, priced below 4000 dollars on Google Shopping. Create a bulleted list of the 3 cheapest options in the format of name, description, price in an easy-to-read layout."),
            # Optional: include a screenshot of the initial state
            # Part.from_bytes(
                 # data=screenshot_image_bytes,
                 # mime_type='image/png',
            # ),
        ],
    )
]

# Generate content with the configured settings
response = client.models.generate_content(
    model='gemini-3-flash-preview',
    contents=contents,
    config=generate_content_config,
)

# Print the response output
print(response.text)

אפשר גם לכלול פונקציות מותאמות אישית בהגדרת המשתמש כדי להרחיב את הפונקציונליות של המודל. במאמר שימוש במודל ובכלי לשימוש במחשב לתרחישי שימוש בנייד מוסבר איך להגדיר שימוש במחשב לתרחישי שימוש בנייד על ידי הוספת פעולות כמו open_app, ‏ long_press_at ו-go_home, תוך החרגת פעולות שספציפיות לדפדפן.

קבלת תשובות

אם המודל קובע שצריך לבצע פעולות בממשק המשתמש או להשתמש בפונקציות שהוגדרו על ידי המשתמש כדי להשלים את המשימה, הוא מגיב עם FunctionCalls אחד או יותר. קוד האפליקציה צריך לנתח את הפעולות האלה, להריץ אותן ולאסוף את התוצאות. מודל השימוש במחשב והכלי תומכים בקריאה מקבילית לפונקציות, כלומר המודל יכול להחזיר כמה פעולות עצמאיות בתור אחד.

{
  "content": {
    "parts": [
      {
        "text": "I will type the search query into the search bar. The search bar is in the center of the page."
      },
      {
        "function_call": {
          "name": "type_text_at",
          "args": {
            "x": 371,
            "y": 470,
            "text": "highly rated smart fridges with touchscreen, 2 doors, around 25 cu ft, priced below 4000 dollars on Google Shopping",
            "press_enter": true
          }
        }
      }
    ]
  }
}

בהתאם לפעולה, יכול להיות שבתגובת ה-API יוחזר גם safety_response:

{
  "content": {
    "parts": [
      {
        "text": "I have evaluated step 2. It seems Google detected unusual traffic and is asking me to verify I'm not a robot. I need to click the 'I'm not a robot' checkbox located near the top left (y=98, x=95)."
      },
      {
        "function_call": {
          "name": "click_at",
          "args": {
            "x": 60,
            "y": 100,
            "safety_decision": {
              "explanation": "I have encountered a CAPTCHA challenge that requires interaction. I need you to complete the challenge by clicking the 'I'm not a robot' checkbox and any subsequent verification steps.",
              "decision": "require_confirmation"
            }
          }
        }
      }
    ]
  }
}

ביצוע פעולות שהתקבלו

אחרי שמקבלים תשובה, המודל צריך לבצע את הפעולות שקיבל.

הקוד הבא מחלץ קריאות לפונקציות מתשובה של Gemini, ממיר קואורדינטות מטווח של 0-1000 לפיקסלים בפועל, מבצע פעולות בדפדפן באמצעות Playwright ומחזיר את סטטוס ההצלחה או הכשל של כל פעולה:

import time
from typing import Any, List, Tuple


def normalize_x(x: int, screen_width: int) -> int:
    """Convert normalized x coordinate (0-1000) to actual pixel coordinate."""
    return int(x / 1000 * screen_width)


def normalize_y(y: int, screen_height: int) -> int:
    """Convert normalized y coordinate (0-1000) to actual pixel coordinate."""
    return int(y / 1000 * screen_height)


def execute_function_calls(response, page, screen_width: int, screen_height: int) -> List[Tuple[str, Any]]:
    """
    Extract and execute function calls from Gemini response.

    Args:
        response: Gemini API response object
        page: Playwright page object
        screen_width: Screen width in pixels
        screen_height: Screen height in pixels

    Returns:
        List of tuples: [(function_name, result), ...]
    """
    # Extract function calls and thoughts from the model's response
    candidate = response.candidates[0]
    function_calls = []
    thoughts = []

    for part in candidate.content.parts:
        if hasattr(part, 'function_call') and part.function_call:
            function_calls.append(part.function_call)
        elif hasattr(part, 'text') and part.text:
            thoughts.append(part.text)

    if thoughts:
        print(f"Model Reasoning: {' '.join(thoughts)}")

    # Execute each function call
    results = []
    for function_call in function_calls:
        result = None

        try:
            if function_call.name == "open_web_browser":
                print("Executing open_web_browser")
                # Browser is already open via Playwright, so this is a no-op
                result = "success"

            elif function_call.name == "click_at":
                actual_x = normalize_x(function_call.args["x"], screen_width)
                actual_y = normalize_y(function_call.args["y"], screen_height)

                print(f"Executing click_at: ({actual_x}, {actual_y})")
                page.mouse.click(actual_x, actual_y)
                result = "success"

            elif function_call.name == "type_text_at":
                actual_x = normalize_x(function_call.args["x"], screen_width)
                actual_y = normalize_y(function_call.args["y"], screen_height)
                text = function_call.args["text"]
                press_enter = function_call.args.get("press_enter", False)
                clear_before_typing = function_call.args.get("clear_before_typing", True)

                print(f"Executing type_text_at: ({actual_x}, {actual_y}) text='{text}'")

                # Click at the specified location
                page.mouse.click(actual_x, actual_y)
                time.sleep(0.1)

                # Clear existing text if requested
                if clear_before_typing:
                    page.keyboard.press("Control+A")
                    page.keyboard.press("Backspace")

                # Type the text
                page.keyboard.type(text)

                # Press enter if requested
                if press_enter:
                    page.keyboard.press("Enter")

                result = "success"

            else:
                # For any functions not parsed above
                print(f"Unrecognized function: {function_call.name}")
                result = "unknown_function"

        except Exception as e:
            print(f"Error executing {function_call.name}: {e}")
            result = f"error: {str(e)}"

        results.append((function_call.name, result))

    return results

אם הערך שמוחזר safety_decision הוא require_confirmation, צריך לבקש מהמשתמש לאשר לפני שממשיכים בביצוע הפעולה. בהתאם לתנאים ולהגבלות, אסור לך לעקוף בקשות לאישור אנושי.

הקוד הבא מוסיף לוגיקה של בטיחות לקוד הקודם:

import termcolor


def get_safety_confirmation(safety_decision):
    """Prompt user for confirmation when safety check is triggered."""
    termcolor.cprint("Safety service requires explicit confirmation!", color="red")
    print(safety_decision["explanation"])

    decision = ""
    while decision.lower() not in ("y", "n", "ye", "yes", "no"):
        decision = input("Do you wish to proceed? [Y]es/[N]o\n")

    if decision.lower() in ("n", "no"):
        return "TERMINATE"
    return "CONTINUE"


def execute_function_calls(response, page, screen_width: int, screen_height: int):
    # ... Extract function calls from response ...

    for function_call in function_calls:
        extra_fr_fields = {}

        # Check for safety decision
        if 'safety_decision' in function_call.args:
            decision = get_safety_confirmation(function_call.args['safety_decision'])
            if decision == "TERMINATE":
                print("Terminating agent loop")
                break
            extra_fr_fields["safety_acknowledgement"] = "true"

        # ... Execute function call and append to results ...

תיעוד המצב החדש

אחרי שמבצעים את הפעולות, שולחים את התוצאה של הפעלת הפונקציה בחזרה למודל כדי שהוא יוכל להשתמש במידע הזה כדי ליצור את הפעולה הבאה. אם בוצעו כמה פעולות (קריאות מקבילות), צריך לשלוח FunctionResponse לכל אחת מהן בתור הבא של המשתמש. בפונקציות שהוגדרו על ידי המשתמש, FunctionResponse צריך להכיל את ערך ההחזרה של הפונקציה שהופעלה.

function_response_parts = []

for name, result in results:
    # Take screenshot after each action
    screenshot = page.screenshot()
    current_url = page.url

    function_response_parts.append(
        FunctionResponse(
            name=name,
            response={"url": current_url},  # Include safety acknowledgement
            parts=[
                types.FunctionResponsePart(
                    inline_data=types.FunctionResponseBlob(
                       mime_type="image/png", data=screenshot
                    )
                )
            ]
        )
    )

# Create the user feedback content with all responses
user_feedback_content = Content(
    role="user",
    parts=function_response_parts
)

# Append this feedback to the 'contents' history list for the next API call
contents.append(user_feedback_content)

יצירת לופ של סוכן

משלבים את השלבים הקודמים בלולאה כדי לאפשר אינטראקציות מרובות שלבים. הלולאה צריכה לטפל בקריאות מקבילות לפונקציות. חשוב לזכור לנהל את היסטוריית השיחות (מערך התוכן) בצורה נכונה על ידי הוספה של תשובות המודל ותשובות הפונקציה.

Python

from google import genai
from google.genai.types import Content, Part
from playwright.sync_api import sync_playwright


def has_function_calls(response):
    """Check if response contains any function calls."""
    candidate = response.candidates[0]
    return any(hasattr(part, 'function_call') and part.function_call
               for part in candidate.content.parts)


def main():
    client = genai.Client()

    # ... (config setup from "Send a request to model" section) ...

    with sync_playwright() as p:
        browser = p.chromium.launch(headless=False)
        page = browser.new_page()
        page.goto("https://www.google.com")

        screen_width, screen_height = 1920, 1080

        # ... (initial contents setup from "Send a request to model" section) ...

        # Agent loop: iterate until model provides final answer
        for iteration in range(10):
            print(f"\nIteration {iteration + 1}\n")

            # 1. Send request to model (see "Send a request to model" section)
            response = client.models.generate_content(
                model='gemini-3-flash-preview',
                contents=contents,
                config=generate_content_config,
            )

            contents.append(response.candidates[0].content)

            # 2. Check if done - no function calls means final answer
            if not has_function_calls(response):
                print(f"FINAL RESPONSE:\n{response.text}")
                break

            # 3. Execute actions (see "Execute the received actions" section)
            results = execute_function_calls(response, page, screen_width, screen_height)
            time.sleep(1)

            # 4. Capture state and create feedback (see "Capture the New State" section)
            contents.append(create_feedback(results, page))

        input("\nPress Enter to close browser...")
        browser.close()


if __name__ == "__main__":
    main()

‫Gemini 3.5 Flash ואילך, ותרחישי שימוש בנייד או במחשב

המודל לשימוש במחשב והכלי תומכים בהגדרת סביבות לנייד (ENVIRONMENT_MOBILE), למחשב (ENVIRONMENT_DESKTOP) או לדפדפן (ENVIRONMENT_BROWSER). ערך ברירת המחדל הוא ENVIRONMENT_BROWSER.

בדוגמאות הבאות מוסבר איך להגדיר את סביבת ההפעלה של מודל השימוש במחשב ושל הכלי באמצעות Gemini 3.5 Flash או גרסה מתקדמת יותר.

‫API בארכיטקטורת REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

  • ‫PROJECT_ID: מזהה הפרויקט.

ה-method של ה-HTTP וכתובת ה-URL: 

POST https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.5-flash:generateContent

תוכן בקשת JSON: 

{
  "contents": [
    {
      "role": "user",
      "parts": {
        "text": "find me a flight from SF to Hawaii on Jun 30th, coming back on Jul 6th. start by navigating directly to flights.google.com"
      }
    }
  ],
  "generation_config": {
    "candidateCount": 1
  },
  "tools": [
    {
      "computer_use": {
        "environment": "ENVIRONMENT_BROWSER"
      }
    }
  ]
}

כדי לשלוח את הבקשה צריך להרחיב אחת מהאפשרויות הבאות:

אמורים לקבל קוד סטטוס של הצלחה (2xx) ותגובה ריקה.

Python

בדוגמה הבאה נדרשת גרסה 2.7.0 או גרסה מתקדמת יותר של python-genai.

from google import genai
from google.genai.types import (
    Part,
    GenerateContentConfig,
    Content,
    Tool,
    ComputerUse,
    Environment,
    ThinkingConfig,
)
client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=[
        Content(
            role="user",
            parts=[
                Part(text="find me a flight from SF to Hawaii on Jun 30th, coming back on Jul 6th"),
            ],
        )
    ],
    config=GenerateContentConfig(
        temperature=1,
        top_p=0.95,
        top_k=40,
        max_output_tokens=8192,
        tools=[
            Tool(
                computer_use=ComputerUse(
                    environment=Environment.ENVIRONMENT_MOBILE
                ),
            ),
        ],
        thinking_config=ThinkingConfig(
            include_thoughts=True
        ),
    )
)

‫Gemini 3 Flash ושימוש בנייד

בדוגמה הבאה ל-Gemini 3 Flash מוסבר איך להגדיר פונקציות מותאמות אישית (כמו open_app, long_press_at ו-go_home), לשלב אותן עם הכלי המובנה של Gemini לשימוש במחשב ולהחריג פונקציות מיותרות שספציפיות לדפדפן. רישום הפונקציות המותאמות אישית האלה מאפשר למודל להפעיל אותן בצורה חכמה לצד פעולות רגילות בממשק המשתמש, כדי להשלים משימות בסביבות שאינן דפדפן.

from typing import Optional, Dict, Any

from google import genai
from google.genai import types
from google.genai.types import Content, Part


client = genai.Client()

def open_app(app_name: str, intent: Optional[str] = None) -> Dict[str, Any]:
    """Opens an app by name.

    Args:
        app_name: Name of the app to open (any string).
        intent: Optional deep-link or action to pass when launching, if the app supports it.

    Returns:
        JSON payload acknowledging the request (app name and optional intent).
    """
    return {"status": "requested_open", "app_name": app_name, "intent": intent}


def long_press_at(x: int, y: int, duration_ms: int = 500) -> Dict[str, int]:
    """Long-press at a specific screen coordinate.

    Args:
        x: X coordinate (absolute), scaled to the device screen width (pixels).
        y: Y coordinate (absolute), scaled to the device screen height (pixels).
        duration_ms: Press duration in milliseconds. Defaults to 500.

    Returns:
        Object with the coordinates pressed and the duration used.
    """
    return {"x": x, "y": y, "duration_ms": duration_ms}


def go_home() -> Dict[str, str]:
    """Navigates to the device home screen.

    Returns:
        A small acknowledgment payload.
    """
    return {"status": "home_requested"}


#  Build function declarations
CUSTOM_FUNCTION_DECLARATIONS = [
    types.FunctionDeclaration.from_callable(client=client, callable=open_app),
    types.FunctionDeclaration.from_callable(client=client, callable=long_press_at),
    types.FunctionDeclaration.from_callable(client=client, callable=go_home),
]

# Exclude browser functions

EXCLUDED_PREDEFINED_FUNCTIONS = [
    "open_web_browser",
    "search",
    "navigate",
    "hover_at",
    "scroll_document",
    "go_forward",
    "key_combination",
    "drag_and_drop",
]

# Utility function to construct a GenerateContentConfig

def make_generate_content_config() -> genai.types.GenerateContentConfig:
    """Return a fixed GenerateContentConfig with Computer Use + custom functions."""
    return genai.types.GenerateContentConfig(
        tools=[
            types.Tool(
                computer_use=types.ComputerUse(
                    environment=types.Environment.ENVIRONMENT_BROWSER,
                    excluded_predefined_functions=EXCLUDED_PREDEFINED_FUNCTIONS,
                )
            ),
            types.Tool(function_declarations=CUSTOM_FUNCTION_DECLARATIONS),
        ]
    )


# Create the content with user message
contents: list[Content] = [
    Content(
        role="user",
        parts=[
            # text instruction
            Part(text="Open Chrome, then long-press at 200,400."),
            # optional screenshot attachment
            Part.from_bytes(
                data=screenshot_image_bytes,
                mime_type="image/png",
            ),
        ],
    )
]

# Build your fixed config (from helper)
config = make_generate_content_config()

# Generate content with the configured settings
response = client.models.generate_content(
        model="gemini-3-flash-preview",
        contents=contents,
        config=generate_content_config,
    )

    print(response)

פעולות נתמכות

המודל והכלי לשימוש במחשב מאפשרים למודל לבקש את הפעולות הבאות באמצעות FunctionCall. בקוד בצד הלקוח צריך להטמיע את לוגיקת הביצוע של הפעולות האלה. אפשר לעיין בדוגמאות בהטמעה לדוגמה של בטבלה הבאה מפורטות הפעולות הנתמכות בסביבת הדפדפן. ל-Gemini 3 Flash ול-Gemini 3.5 Flash יש קבוצות שמות שונות.FunctionCall

Gemini 3.5 Flash

שם הפקודה תיאור ארגומנטים (בבקשה להפעלת פונקציה)
קליק קליקים שמאליים בקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
double_click לחיצות כפולות על הקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
triple_click שלוש לחיצות על הקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
middle_click לחיצה אמצעית על הקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
right_click לחיצות ימניות בקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
mouse_down לחיצה ארוכה על כפתור העכבר בקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
mouse_up משחרר את כפתור העכבר בקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
העברה מעבירים את הסמן למיקום שצוין. y: int (0-999)
x: int (0-999)
intent: str
type הקלדת טקסט. ‫text: str
intent: str
press_enter: bool (אופציונלי, ברירת מחדל היא false)
drag_and_drop גורר פריט מ-start_y ומ-start_x אל end_y ואל end_x ‫start_y: int (0-999)
start_x: int (0-999)
end_y: int (0-999)
end_x: int (0-999)
intent: str
wait המתנה למספר השניות שצוין. ‫intent: str
seconds: int (אופציונלי, ברירת מחדל 1)
press_key לחיצה על המקש שצוין ושחרור שלו. ‫key: str
intent: str
key_down לחיצה ארוכה על המקש שצוין. ‫key: str
intent: str
key_up משחרר את המקש שצוין. ‫key: str
intent: str
מקש קיצור לחיצה על שילוב המקשים שצוין. ‫keys: List[str]
intent: str
take_screenshot מחזירה צילום מסך של המסך הנוכחי. intent: str
scroll גלילה למעלה, למטה, שמאלה או ימינה בנקודת ציון במרחק של פיקסל אחד. ‫y: int (0-999)
x: int ‎ (0-999)
direction: str ("up", "down", "left", ‎ "right")
intent: ‎ str
magnitude_in_pixels: int (0-999, Optional, ‎ default 300)
go_back חזרה לדף האינטרנט הקודם בהיסטוריית הדפדפן. intent: str
navigate ניווט ישירות לכתובת URL ספציפית. ‫url: str
intent: str
go_forward מעבר קדימה לדף האינטרנט הבא בהיסטוריית הגלישה. intent: str

Gemini 3 Flash

שם הפקודה תיאור ארגומנטים (בבקשה להפעלת פונקציה) בקשה להפעלת פונקציה לדוגמה
open_web_browser הפעולה הזו תפתח את דפדפן האינטרנט. ללא {"name": "open_web_browser", "args": {}}
wait_5_seconds ההפעלה מושהית למשך 5 שניות כדי לאפשר לתוכן דינמי להיטען או לאנימציות להסתיים. ללא {"name": "wait_5_seconds", "args": {}}
go_back מעבר לדף הקודם בהיסטוריה של הדפדפן. ללא {"name": "go_back", "args": {}}
go_forward מעבר לדף הבא בהיסטוריה של הדפדפן. ללא {"name": "go_forward", "args": {}}
search ניווט לדף הבית של מנוע החיפוש שמוגדר כברירת מחדל (לדוגמה, Google). האפשרות הזו שימושית כשרוצים להתחיל משימת חיפוש חדשה. ללא {"name": "search", "args": {}}
navigate הדפדפן עובר ישירות לכתובת ה-URL שצוינה. url: str {"name": "navigate", "args": {"url": "https://www.wikipedia.org"}}
click_at קליקים בנקודה ספציפית בדף האינטרנט. הערכים x ו-y מבוססים על רשת של 1,000x1,000 ומוגדרים בהתאם למידות המסך. ‫y: int (0-999), x: int (0-999) {"name": "click_at", "args": {"y": 300, "x": 500}}
hover_at ‪521963309 Hovers the mouse at a specific coordinate on the webpage. שימושי להצגת תפריטי משנה. הערכים של x ו-y מבוססים על רשת של 1,000x1,000. ‫y: int (0-999) x: int (0-999) {"name": "hover_at", "args": {"y": 150, "x": 250}}
type_text_at מקליד טקסט בקואורדינטה ספציפית. כברירת מחדל, הפקודה מוחקת קודם את השדה ומקישה על ENTER אחרי ההקלדה, אבל אפשר להשבית את הפעולות האלה. הערכים x ו-y מבוססים על רשת של 1000x1000. ‫y: int (0-999), x: int (0-999), text: str, press_enter: bool (Optional, default True), clear_before_typing: bool (Optional, default True) {"name": "type_text_at", "args": {"y": 250, "x": 400, "text": "search query", "press_enter": false}}
key_combination לחיצה על מקשים או על שילובים של מקשים במקלדת, כמו Control+C או Enter. שימושי להפעלת פעולות (כמו שליחת טופס באמצעות Enter) או פעולות בלוח הגזירה. ‫keys: str (לדוגמה, 'enter',‏ 'control+c'. רשימה מלאה של המפתחות המותרים מופיעה במאמר בנושא הפניה ל-API) {"name": "key_combination", "args": {"keys": "Control+A"}}
scroll_document גלילה של כל דף האינטרנט למעלה, למטה, שמאלה או ימינה. ‫direction: str ("up", "down", "left", or "right") {"name": "scroll_document", "args": {"direction": "down"}}
scroll_at מגלגלת רכיב או אזור ספציפיים בקואורדינטה (x, y) בכיוון שצוין, במידה מסוימת. הקואורדינטות והגודל (ברירת מחדל 800) מבוססים על רשת של 1,000x1,000. ‫y: int (0-999), x: int (0-999), direction: str ("up", "down", "left", "right"), magnitude: int (0-999, Optional, default 800) {"name": "scroll_at", "args": {"y": 500, "x": 500, "direction": "down", "magnitude": 400}}
drag_and_drop גורר רכיב מקואורדינטת התחלה (x, y) ומשחרר אותו בקואורדינטת יעד (destination_x, destination_y). כל הקואורדינטות מבוססות על רשת בגודל 1,000x1,000. y: int (0-999), x: int (0-999), destination_y: int (0-999), destination_x: int (0-999) {"name": "drag_and_drop", "args": {"y": 100, "x": 100, "destination_y": 500, "destination_x": 500}}

‫Gemini 3.5 Flash: יש לכם גישה לקבוצות שונות של קריאות לפונקציות, בהתאם לסביבה שתבחרו:

סביבה לנייד

שם הפקודה תיאור ארגומנטים (בבקשה להפעלת פונקציה)
open_app פותח אפליקציה לפי השם שלה. intent: str
לחיצה קליקים שמאליים בקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
list_apps מציג רשימה של האפליקציות שזמינות במכשיר, ומחזיר את השמות שלהן ואת שמות החבילות שלהן. intent: str
המתנה ממתין למספר השניות שצוין. intent: str
seconds: int(Optional, default 1)
go_back חזרה לדף האינטרנט הקודם בהיסטוריית הדפדפן. intent: str
סוג הקלדת טקסט. text: str
intent: str
press_enter: bool(Optional, default false)
drag_and_drop גורר פריט מ-start_y ומ-start_x אל end_y ואל end_x start_y: int (0-999)‎
start_x: int (0-999)‎
end_y: int (0-999)‎
end_x: int (0-999)‎
intent: str
long_press מבצע לחיצה ארוכה בקואורדינטה ספציפית y‏ (0-999), x‏ (0-999) במסך. ‫y: int (0-999)
‫x: int (0-999)
‫intent: str
‫seconds: int (אופציונלי, ברירת המחדל היא 2)
press_key לחיצה על המקש שצוין ושחרור שלו. key: str
intent: str
take_screenshot מחזירה צילום מסך של המסך הנוכחי. intent: str

סביבת שולחן עבודה

שם הפקודה תיאור ארגומנטים (בבקשה להפעלת פונקציה)
לחיצה קליקים שמאליים בקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
double_click לחיצות כפולות על הקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
triple_click שלוש לחיצות על הקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
middle_click לחיצה אמצעית על הקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
right_click לחיצות ימניות בקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
mouse_down לחיצה ארוכה על כפתור העכבר בקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
mouse_up משחרר את כפתור העכבר בקואורדינטה. y: int (0-999)
x: int (0-999)
intent: str
move מעבירים את הסמן למיקום שצוין. y: int (0-999)
x: int (0-999)
intent: str
סוג הקלדת טקסט. text: str
intent: str
press_enter: bool(Optional, default false)
drag_and_drop גורר את הפריט מ-start_y ומ-start_x אל end_y ואל end_x. start_y: int (0-999)
start_x: int (0-999)
end_y: int (0-999)
end_x: int (0-999)
intent: str
המתנה המתנה למספר השניות שצוין. intent: str
seconds: int(Optional, default 1)
press_key לחיצה על המקש שצוין ושחרור שלו. key: str
intent: str
key_down לחיצה ארוכה על המקש שצוין. key: str
intent: str
key_up משחרר את המקש שצוין. key: str
intent: str
מקש קיצור לחיצה על שילוב המקשים שצוין. keys: List[str]
intent: str
take_screenshot מחזירה צילום מסך של המסך הנוכחי. intent: str
גלילה גלילה למעלה, למטה, שמאלה או ימינה בנקודת ציון במרחק של פיקסל אחד. y: int (0-999)
x: int (0-999)
direction: str ("up", "down", "left", "right")
intent: str
magnitude_in_pixels: int (0-999, Optional, default 300)

בטיחות ואבטחה

בקטע הזה מתוארים אמצעי ההגנה שמוטמעים במודל השימוש במחשב ובכלי כדי לשפר את השליטה של המשתמשים ואת הבטיחות. בנוסף, מפורטות בו שיטות מומלצות לצמצום סיכונים חדשים פוטנציאליים שהכלי עלול להציג.

אישור החלטה בנושא בטיחות

בהתאם לפעולה, התגובה מהמודל והכלי לשימוש במחשב עשויה לכלול safety_decision ממערכת בטיחות פנימית. ההחלטה הזו מאמתת את הפעולה שהכלי מציע לביצוע כדי לשמור על הבטיחות.

{
  "content": {
    "parts": [
      {
        "text": "I have evaluated step 2. It seems Google detected unusual traffic and is asking me to verify I'm not a robot. I need to click the 'I'm not a robot' checkbox located near the top left (y=98, x=95)."
      },
      {
        "function_call": {
          "name": "click_at",
          "args": {
            "x": 60,
            "y": 100,
            "safety_decision": {
              "explanation": "I have encountered a CAPTCHA challenge that requires interaction. I need you to complete the challenge by clicking the 'I'm not a robot' checkbox and any subsequent verification steps.",
              "decision": "require_confirmation"
            }
          }
        }
      }
    ]
  }
}

אם הערך של safety_decision הוא require_confirmation, חובה לבקש מהמשתמש לאשר לפני שממשיכים בביצוע הפעולה.

בדוגמת קוד הבאה, המשתמש מתבקש לאשר לפני ביצוע הפעולה. אם המשתמש לא מאשר את הפעולה, הלולאה מסתיימת. אם המשתמש מאשר את הפעולה, הפעולה מבוצעת והשדה safety_acknowledgement מסומן כ-True.

import termcolor

def get_safety_confirmation(safety_decision):
    """Prompt user for confirmation when safety check is triggered."""
    termcolor.cprint("Safety service requires explicit confirmation!", color="red")
    print(safety_decision["explanation"])

    decision = ""
    while decision.lower() not in ("y", "n", "ye", "yes", "no"):
        decision = input("Do you wish to proceed? [Y]es/[N]o\n")

    if decision.lower() in ("n", "no"):
        return "TERMINATE"
    return "CONTINUE"

def execute_function_calls(response, page, screen_width: int, screen_height: int):

    # ... Extract function calls from response ...

    for function_call in function_calls:
        extra_fr_fields = {}

        # Check for safety decision
        if 'safety_decision' in function_call.args:
            decision = get_safety_confirmation(function_call.args['safety_decision'])
            if decision == "TERMINATE":
                print("Terminating agent loop")
                break
            extra_fr_fields["safety_acknowledgement"] = "true" # Safety acknowledgement

        # ... Execute function call and append to results ...

אם המשתמש מאשר, צריך לכלול את אישור הבטיחות בקובץ FunctionResponse.

function_response_parts.append(
    FunctionResponse(
        name=name,
        response={"url": current_url,
                  **extra_fr_fields},  # Include safety acknowledgement
        parts=[
            types.FunctionResponsePart(
                inline_data=types.FunctionResponseBlob(
                    mime_type="image/png", data=screenshot
                )
             )
           ]
         )
       )

זיהוי של החדרת פרומפטים

מודל השימוש במחשב וכלי ל-Gemini 3.5 Flash ואילך תומכים במנגנון בטיחות מתקדם לזיהוי החדרת פרומפטים. כשהתכונה הזו מופעלת, היא בודקת אם צילום מסך שצורף עלול להוביל להחדרת פרומפטים. אפשר להגדיר את התכונה הזו בהגדרות של המודל והכלי לשימוש במחשב. ערך ברירת המחדל הוא false.

בדוגמאות הבאות אפשר לראות איך מפעילים את מודל השימוש במחשב ואת הגדרת הכלי כדי להפעיל זיהוי של הזרקת הנחיות:

‫API בארכיטקטורת REST

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

  • ‫PROJECT_ID: מזהה הפרויקט.

ה-method של ה-HTTP וכתובת ה-URL: 

POST https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.5-flash:generateContent

תוכן בקשת JSON: 

{
  "contents": [
    {
      "role": "user",
      "parts": {
        "text": "find me a flight from SF to Hawaii on Jun 30th, coming back on Jul 6th. start by navigating directly to flights.google.com"
      }
    }
  ],
  "generation_config": {
    "candidateCount": 1
  },
  "tools": [
    {
      "computer_use": {
        "environment": "ENVIRONMENT_BROWSER",
        "enable_prompt_injection_detection": true
      }
    }
  ]
}

כדי לשלוח את הבקשה צריך להרחיב אחת מהאפשרויות הבאות:

אמורים לקבל קוד סטטוס של הצלחה (2xx) ותגובה ריקה.

Python

בדוגמה הבאה נדרשת גרסה 2.7.0 או גרסה מתקדמת יותר של python-genai.

from google import genai
from google.genai.types import (
    Part,
    GenerateContentConfig,
    Content,
    Tool,
    ComputerUse,
    Environment,
    ThinkingConfig,
)
client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.5-flash",
    contents=[
        Content(
            role="user",
            parts=[
                Part(text="find me a flight from SF to Hawaii on Jun 30th, coming back on Jul 6th"),
            ],
        )
    ],
    config=GenerateContentConfig(
        temperature=1,
        top_p=0.95,
        top_k=40,
        max_output_tokens=8192,
        tools=[
            Tool(
                computer_use=ComputerUse(
                    environment=Environment.ENVIRONMENT_MOBILE,
                    enable_prompt_injection_detection=True
                ),
            ),
        ],
        thinking_config=ThinkingConfig(
            include_thoughts=True
        ),
    )
)

שיטות מומלצות לשמירה על האבטחה

המודל והכלי לשימוש במחשב הם חדשים ומציגים סיכונים חדשים שהמפתחים צריכים להיות מודעים להם:

  • תוכן לא מהימן והונאות: כדי להשיג את המטרה של המשתמש, המודל עשוי להסתמך על מקורות מידע לא מהימנים ועל הוראות מהמסך. לדוגמה, אם המטרה של המשתמש היא לרכוש טלפון Pixel והמודל נתקל בתרמית 'קבלת Pixel בחינם אם תשלים סקר', יש סיכוי שהמודל ישלים את הסקר.
  • פעולות לא מכוונות מדי פעם: המודל עלול לפרש לא נכון את המטרה של המשתמש או את התוכן של דף האינטרנט, ולבצע פעולות שגויות כמו לחיצה על הלחצן הלא נכון או מילוי הטופס הלא נכון. זה עלול לגרום לכשלים במשימות או לגניבת נתונים.
  • הפרות מדיניות: יכול להיות שהיכולות של ה-API יופנו, במכוון או שלא במכוון, לפעילויות שמפירות את התנאים והמדיניות של Google. האיסור הזה כולל פעולות שעלולות לשבש את תקינות המערכת, לפגוע באבטחה, לעקוף אמצעי אבטחה כמו CAPTCHA, לשלוט במכשירים רפואיים וכו'.

כדי לטפל בסיכונים האלה, מומלץ להטמיע את אמצעי הבטיחות והשיטות המומלצות הבאים:

  1. Human-in-the-loop (HITL):
    • הטמעת אישור משתמש: אם תגובת הבטיחות מציינת require_confirmation, צריך להטמיע אישור משתמש לפני הביצוע.
    • הוספת הוראות בטיחות בהתאמה אישית: בנוסף לבדיקות האישור המובנות של המשתמשים, המפתחים יכולים להוסיף הוראה מותאמת אישית למערכת כדי לאכוף את מדיניות הבטיחות שלהם. ההוראה יכולה לחסום פעולות מסוימות של המודל או לדרוש אישור מהמשתמש לפני שהמודל מבצע פעולות מסוימות עם סיכון גבוה שאי אפשר לבטל. הנה דוגמה להוראה מותאמת אישית למערכת הבטיחות שאפשר לכלול כשמבצעים אינטראקציה עם המודל.

    אפשר ללחוץ כאן כדי לראות דוגמה ליצירת קישור

    ## **RULE 1: Seek User Confirmation (USER_CONFIRMATION)**

This is your first and most important check. If the next required action falls
into any of the following categories, you MUST stop immediately, and seek the
user's explicit permission.

**Procedure for Seeking Confirmation:**  * **For Consequential Actions:**
Perform all preparatory steps (e.g., navigating, filling out forms, typing a
message). You will ask for confirmation **AFTER** all necessary information is
entered on the screen, but **BEFORE** you perform the final, irreversible action
(e.g., before clicking "Send", "Submit", "Confirm Purchase", "Share").  * **For
Prohibited Actions:** If the action is strictly forbidden (e.g., accepting legal
terms, solving a CAPTCHA), you must first inform the user about the required
action and ask for their confirmation to proceed.

**USER_CONFIRMATION Categories:**

*   **Consent and Agreements:** You are FORBIDDEN from accepting, selecting, or
    agreeing to any of the following on the user's behalf. You must ask th e
    user to confirm before performing these actions.
    *   Terms of Service
    *   Privacy Policies
    *   Cookie consent banners
    *   End User License Agreements (EULAs)
    *   Any other legally significant contracts or agreements.
*   **Robot Detection:** You MUST NEVER attempt to solve or bypass the
    following. You must ask the user to confirm before performing these actions.
*   CAPTCHAs (of any kind)
    *   Any other anti-robot or human-verification mechanisms, even if you are
        capable.
*   **Financial Transactions:**
    *   Completing any purchase.
    *   Managing or moving money (e.g., transfers, payments).
    *   Purchasing regulated goods or participating in gambling.
*   **Sending Communications:**
    *   Sending emails.
    *   Sending messages on any platform (e.g., social media, chat apps).
    *   Posting content on social media or forums.
*   **Accessing or Modifying Sensitive Information:**
    *   Health, financial, or government records (e.g., medical history, tax
        forms, passport status).
    *   Revealing or modifying sensitive personal identifiers (e.g., SSN, bank
        account number, credit card number).
*   **User Data Management:**
    *   Accessing, downloading, or saving files from the web.
    *   Sharing or sending files/data to any third party.
    *   Transferring user data between systems.
*   **Browser Data Usage:**
    *   Accessing or managing Chrome browsing history, bookmarks, autofill data,
        or saved passwords.
*   **Security and Identity:**
    *   Logging into any user account.
    *   Any action that involves misrepresentation or impersonation (e.g.,
        creating a fan account, posting as someone else).
*   **Insurmountable Obstacles:** If you are technically unable to interact with
    a user interface element or are stuck in a loop you cannot resolve, ask the
    user to take over.
---

## **RULE 2: Default Behavior (ACTUATE)**

If an action does **NOT** fall under the conditions for `USER_CONFIRMATION`,
your default behavior is to **Actuate**.

**Actuation Means:**  You MUST proactively perform all necessary steps to move
the user's request forward. Continue to actuate until you either complete the
non-consequential task or encounter a condition defined in Rule 1.

*   **Example 1:** If asked to send money, you will navigate to the payment
    portal, enter the recipient's details, and enter the amount. You will then
    **STOP** as per Rule 1 and ask for confirmation before clicking the final
    "Send" button.
*   **Example 2:** If asked to post a message, you will navigate to the site,
    open the post composition window, and write the full message. You will then
    **STOP** as per Rule 1 and ask for confirmation before clicking the final
    "Post" button.

    After the user has confirmed, remember to get the user's latest screen
    before continuing to perform actions.

# Final Response Guidelines:
Write final response to the user in these cases:
- User confirmation
- When the task is complete or you have enough information to respond to the user
  2. סביבת ביצוע מאובטחת: מריצים את הסוכן בסביבה מאובטחת של ארגז חול כדי להגביל את ההשפעה הפוטנציאלית שלו (לדוגמה, מכונה וירטואלית (VM) של ארגז חול, קונטיינר (כמו Docker) או פרופיל דפדפן ייעודי עם הרשאות מוגבלות).
  3. ניקוי קלט: ניקוי של כל הטקסט בהנחיות שנוצר על ידי משתמשים כדי לצמצם את הסיכון להוראות לא מכוונות או להחדרת פרומפטים. זו שכבת אבטחה מועילה, אבל היא לא תחליף לסביבת ביצוע מאובטחת.
  4. רשימות היתרים ורשימות חסימה: כדאי להטמיע מנגנוני סינון כדי לשלוט במקומות שבהם המודל יכול לנווט ובפעולות שהוא יכול לבצע. רשימת חסימה של אתרים אסורים היא נקודת התחלה טובה, אבל רשימת היתרים מגבילה יותר ומספקת אבטחה טובה יותר.
  5. יכולת מעקב ורישום ביומן: שמירה של יומנים מפורטים לצורך ניפוי באגים, ביקורת ותגובה לאירועים. הלקוח צריך לתעד הנחיות, צילומי מסך, פעולות שהמודל מציע (function_call), תשובות שקשורות לבטיחות וכל הפעולות שהלקוח מבצע בסופו של דבר.

תמחור

התמחור של מודל השימוש במחשב והכלי זהה לתמחור של Gemini, והם משתמשים באותם מק"טים. כדי לפצל את העלויות של מודל השימוש במחשב ושל הכלים, משתמשים בתוויות מטא-נתונים בהתאמה אישית. למידע נוסף על שימוש בתוויות מטא-נתונים מותאמות אישית למעקב אחר עלויות, אפשר לעיין במאמר תוויות מטא-נתונים מותאמות אישית.