Modell und Tool für die Computernutzung

Mit dem Modell und Tool zur Computernutzung von Gemini können Sie Ihre Anwendungen so konfigurieren, dass sie mit dem Browser interagieren und Aufgaben im Browser automatisieren. Mithilfe von Screenshots kann das Modell und Tool zur Computernutzung Informationen über einen Computerbildschirm ableiten und Aktionen ausführen, indem es bestimmte UI-Aktionen wie Mausklicks und Tastatureingaben generiert. Ähnlich wie bei Funktionsaufrufen müssen Sie den clientseitigen Anwendungscode schreiben, um den Funktionsaufruf des Modells und Tools zur Computernutzung zu empfangen und die entsprechenden Aktionen auszuführen.

Mit dem Modell und Tool zur Computernutzung können Sie Agents erstellen, die Folgendes können:

  • Wiederholte Dateneingabe oder das Ausfüllen von Formularen auf Websites automatisieren.
  • Websites durchsuchen, um Informationen zu sammeln.
  • Nutzer unterstützen, indem sie Aktionssequenzen in Webanwendungen ausführen.

In diesem Leitfaden werden folgende Themen behandelt:

In diesem Leitfaden wird davon ausgegangen, dass Sie das Gen AI SDK für Python verwenden und mit der Playwright API vertraut sind.

Das Modell und Tool zur Computernutzung wird in dieser Vorschau nicht in den anderen SDK-Sprachen oder in der Google Cloud Konsole unterstützt.

Außerdem können Sie die Referenzimplementierung für das Modell und Tool zur Computernutzung auf GitHub ansehen.

Unterstützte Modelle

Das Modell und Tool zur Computernutzung wird bei Verwendung der folgenden Modelle unterstützt:

Funktionsweise des Modells und Tools zur Computernutzung

Anstatt Textantworten zu generieren, bestimmt das Modell und Tool zur Computernutzung, wann bestimmte UI-Aktionen wie Mausklicks ausgeführt werden müssen, und gibt die erforderlichen Parameter zurück, um diese Aktionen auszuführen. Sie müssen den clientseitigen Anwendungscode schreiben, um den function_call des Modells und Tools zur Computernutzung zu empfangen und die entsprechenden Aktionen auszuführen.

Interaktionen mit dem Modell und Tool zur Computernutzung folgen einem Agent-Loop-Prozess:

  1. Anfrage an das Modell senden

    • Fügen Sie Ihrer API-Anfrage das Modell und Tool zur Computernutzung und optional weitere Tools hinzu.
    • Fordern Sie das Modell und Tool zur Computernutzung mit der Anfrage des Nutzers und einem Screenshot des aktuellen Zustands der GUI auf.

  2. Antwort des Modells erhalten

    • Das Modell analysiert die Nutzeranfrage und den Screenshot und generiert eine Antwort mit einem vorgeschlagenen function_call, der eine UI-Aktion darstellt (z. B. „Klicken Sie auf die Koordinate (x, y)“ oder „Geben Sie ‚Text‘ ein“). Unter Unterstützte Aktionen finden Sie eine Liste aller Aktionen, die Sie mit dem Modell verwenden können.
    • Die API-Antwort kann auch eine safety_response von einem internen Sicherheitssystem enthalten, das die vom Modell vorgeschlagene Aktion überprüft hat. Diese safety_response klassifiziert die Aktion als:
      • Regulär oder zulässig:Die Aktion gilt als sicher. Dies kann auch dadurch dargestellt werden, dass keine safety_response vorhanden ist.
      • Bestätigung erforderlich:Das Modell ist dabei, eine potenziell riskante Aktion auszuführen (z. B. auf ein Cookie-Banner zu klicken).

  3. Erhaltene Aktion ausführen

    • Ihr clientseitiger Code empfängt den function_call und alle zugehörigen safety_response.
    • Wenn die safety_response „regulär“ oder „zulässig“ angibt (oder wenn keine safety_response vorhanden ist), kann Ihr clientseitiger Code den angegebenen function_call in Ihrer Zielumgebung (z. B. einem Webbrowser) ausführen.
    • Wenn die safety_response „Bestätigung erforderlich“ angibt, muss Ihre Anwendung den Endnutzer um Bestätigung bitten, bevor der function_call ausgeführt wird. Wenn der Nutzer bestätigt, fahren Sie mit der Ausführung der Aktion fort. Wenn der Nutzer ablehnt, führen Sie die Aktion nicht aus.

  4. Neuen Umgebungsstatus erfassen

    • Wenn die Aktion ausgeführt wurde, erstellt Ihr Client einen neuen Screenshot der GUI und der aktuellen URL, die als Teil einer function_response an das Modell und Tool zur Computernutzung zurückgesendet werden.
    • Wenn eine Aktion vom Sicherheitssystem blockiert oder die Bestätigung durch den Nutzer abgelehnt wurde, sendet Ihre Anwendung möglicherweise eine andere Form von Feedback an das Modell oder beendet die Interaktion.

Eine neue Anfrage wird mit dem aktualisierten Status an das Modell gesendet. Der Vorgang wird ab Schritt 2 wiederholt. Das Modell und Tool zur Computernutzung verwendet den neuen Screenshot (falls vorhanden) und das laufende Ziel, um die nächste Aktion vorzuschlagen. Die Schleife wird fortgesetzt, bis die Aufgabe abgeschlossen ist, ein Fehler auftritt oder der Vorgang beendet wird (z. B. wenn eine Antwort durch Sicherheitsfilter oder eine Nutzerentscheidung blockiert wird).

Das folgende Diagramm veranschaulicht die Funktionsweise des Modells und Tools zur Computernutzung:

Tool „Computernutzung“ – Übersicht

Modell und Tool zur Computernutzung aktivieren

Wenn Sie das Modell und Tool zur Computernutzung aktivieren möchten, verwenden Sie gemini-3-flash-preview als Modell und fügen Sie das Modell und Tool zur Computernutzung Ihrer Liste der aktivierten Tools hinzu:

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,
  )

Anfrage senden

Nachdem Sie das Modell und Tool zur Computernutzung konfiguriert haben, senden Sie einen Prompt an das Modell, der das Ziel des Nutzers und einen ersten Screenshot der GUI enthält.

Optional können Sie auch Folgendes hinzufügen:

  • Ausgeschlossene Aktionen: Wenn Sie nicht möchten, dass das Modell Aktionen aus der Liste der unterstützten UI Aktionen ausführt, geben Sie diese Aktionen in der excluded_predefined_functions an.
  • Benutzerdefinierte Funktionen:Neben dem Modell und Tool zur Computernutzung können Sie auch benutzerdefinierte Funktionen einbeziehen.

Mit dem folgenden Beispielcode wird das Modell und Tool zur Computernutzung aktiviert und die Anfrage an das Modell gesendet:

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)

Sie können auch benutzerdefinierte Funktionen einbeziehen, um die Funktionalität des Modells zu erweitern. Unter Modell und Tool zur Computernutzung für mobile Anwendungsfälle verwenden finden Sie Informationen dazu, wie Sie die Computernutzung für mobile Anwendungsfälle konfigurieren können, indem Sie Aktionen wie open_app, long_press_at, und go_home hinzufügen und browserspezifische Aktionen ausschließen.

Antworten erhalten

Das Modell antwortet mit einem oder mehreren FunctionCalls, wenn UI-Aktionen oder benutzerdefinierte Funktionen erforderlich sind, um die Aufgabe abzuschließen. Ihr Anwendungscode muss diese Aktionen parsen, ausführen und die Ergebnisse erfassen. Das Modell und Tool zur Computernutzung unterstützt parallele Funktionsaufrufe. Das bedeutet, dass das Modell in einem einzigen Durchlauf mehrere unabhängige Aktionen zurückgeben kann.

{
  "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
          }
        }
      }
    ]
  }
}

Je nach Aktion kann die API-Antwort auch eine safety_response zurückgeben:

{
  "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"
            }
          }
        }
      }
    ]
  }
}

Erhaltene Aktionen ausführen

Nachdem Sie eine Antwort erhalten haben, muss das Modell die erhaltenen Aktionen ausführen.

Der folgende Code extrahiert Funktionsaufrufe aus einer Gemini-Antwort, konvertiert Koordinaten aus dem Bereich von 0 bis 1.000 in tatsächliche Pixel, führt Browser aktionen mit Playwright aus und gibt den Status „Erfolg“ oder „Fehler“ für jede Aktion zurück:

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

Wenn die zurückgegebene safety_decision require_confirmation ist, müssen Sie den Nutzer um Bestätigung bitten, bevor Sie mit der Ausführung der Aktion fortfahren. Gemäß den Nutzungsbedingungen dürfen Sie Anfragen zur Bestätigung durch den Nutzer nicht umgehen.

Der folgende Code fügt dem vorherigen Code Sicherheitslogik hinzu:

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 ...

Neuen Status erfassen

Senden Sie nach der Ausführung der Aktionen das Ergebnis der Funktionsausführung an das Modell zurück, damit es diese Informationen verwenden kann, um die nächste Aktion zu generieren. Wenn mehrere Aktionen (parallele Aufrufe) ausgeführt wurden, müssen Sie in der nachfolgenden Nutzerrunde für jede Aktion eine FunctionResponse senden. Bei benutzerdefinierten Funktionen sollte die FunctionResponse den Rückgabewert der ausgeführten Funktion enthalten.

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)

Agent-Loop erstellen

Kombinieren Sie die vorherigen Schritte in einer Schleife, um mehrstufige Interaktionen zu ermöglichen. Die Schleife muss parallele Funktionsaufrufe verarbeiten können. Achten Sie darauf, den Unterhaltungsverlauf (Inhaltsarray) korrekt zu verwalten, indem Sie sowohl Modellantworten als auch Ihre Funktionsantworten anhängen.

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()

Modell und Tool zur Computernutzung für mobile Anwendungsfälle

Im folgenden Beispiel wird gezeigt, wie Sie benutzerdefinierte Funktionen (z. B. open_app, long_press_at und go_home) definieren, sie mit dem integrierten Tool zur Computernutzung von Gemini kombinieren und unnötige browserspezifische Funktionen ausschließen. Durch die Registrierung dieser benutzerdefinierten Funktionen kann das Modell sie intelligent zusammen mit Standard-UI-Aktionen aufrufen, um Aufgaben in Nicht-Browser-Umgebungen auszuführen.

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)

Unterstützte Aktionen

Mit dem Modell und Tool zur Computernutzung kann das Modell die folgenden Aktionen mit einem FunctionCall anfordern. Ihr clientseitiger Code muss die Ausführungslogik für diese Aktionen implementieren. Beispiele finden Sie in der Referenzimplementierung.

Befehlsname Beschreibung Argumente (im Funktionsaufruf) Beispiel für einen Funktionsaufruf
open_web_browser Öffnet den Webbrowser. Keine {"name": "open_web_browser", "args": {}}
wait_5_seconds Pausiert die Ausführung für 5 Sekunden, damit dynamische Inhalte geladen oder Animationen abgeschlossen werden können. Keine {"name": "wait_5_seconds", "args": {}}
go_back Navigiert zur vorherigen Seite im Browserverlauf. Keine {"name": "go_back", "args": {}}
go_forward Navigiert zur nächsten Seite im Browserverlauf. Keine {"name": "go_forward", "args": {}}
search Navigiert zur Startseite der Standardsuchmaschine (z. B. Google). Nützlich, um eine neue Suchaufgabe zu starten. Keine {"name": "search", "args": {}}
navigate Navigiert den Browser direkt zur angegebenen URL. url: str {"name": "navigate", "args": {"url": "https://www.wikipedia.org"}}
click_at Klickt auf eine bestimmte Koordinate auf der Webseite. Die x- und y-Werte basieren auf einem 1.000 × 1.000-Raster und werden auf die Bildschirmabmessungen skaliert. y: int (0–999), x: int (0–999) {"name": "click_at", "args": {"y": 300, "x": 500}}
hover_at Bewegt den Mauszeiger auf eine bestimmte Koordinate auf der Webseite. Nützlich, um Untermenüs aufzurufen. x und y basieren auf einem 1.000 × 1.000-Raster. y: int (0–999), x: int (0–999) {"name": "hover_at", "args": {"y": 150, "x": 250}}
type_text_at Gibt Text an einer bestimmten Koordinate ein. Standardmäßig wird das Feld zuerst gelöscht und nach der Eingabe die Eingabetaste gedrückt. Diese Einstellungen können jedoch deaktiviert werden. x und y basieren auf einem 1.000 × 1.000-Raster. y: int (0–999), x: int (0–999), text: str, press_enter: bool (optional, Standardwert: True), clear_before_typing: bool (optional, Standardwert: True) {"name": "type_text_at", "args": {"y": 250, "x": 400, "text": "search query", "press_enter": false}}
key_combination Drückt Tastaturtasten oder Kombinationen wie „Strg + C“ oder „Eingabe“. Nützlich, um Aktionen auszulösen (z. B. ein Formular mit „Eingabe“ zu senden) oder um Vorgänge in der Zwischenablage auszuführen. keys: str (z. B. „enter“, „control+c“. Eine vollständige Liste der zulässigen Tasten finden Sie in der API-Referenz.) {"name": "key_combination", "args": {"keys": "Control+A"}}
scroll_document Scrollt die gesamte Webseite nach oben, unten, links oder rechts. direction: str („up“, „down“, „left“ oder „right“) {"name": "scroll_document", "args": {"direction": "down"}}
scroll_at Scrollt ein bestimmtes Element oder einen bestimmten Bereich an der Koordinate (x, y) in der angegebenen Richtung um einen bestimmten Betrag. Koordinaten und Betrag (Standardwert: 800) basieren auf einem 1.000 × 1.000-Raster. y: int (0–999), x: int (0–999), direction: str („up“, „down“, „left“, „right“), magnitude: int (0–999, optional, Standardwert: 800) {"name": "scroll_at", "args": {"y": 500, "x": 500, "direction": "down", "magnitude": 400}}
drag_and_drop Zieht ein Element von einer Startkoordinate (x, y) und legt es an einer Zielkoordinate (destination_x, destination_y) ab. Alle Koordinaten basieren auf einem 1.000 × 1.000-Raster. 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}}

Sicherheit

In diesem Abschnitt werden die Sicherheitsvorkehrungen beschrieben, die das Modell und Tool zur Computernutzung implementiert hat, um die Nutzerkontrolle und die Sicherheit zu verbessern. Außerdem werden Best Practices beschrieben, um potenzielle neue Risiken zu minimieren, die das Tool mit sich bringen kann.

Sicherheitsentscheidung bestätigen

Je nach Aktion kann die Antwort des Modells und Tools zur Computernutzung eine safety_decision von einem internen Sicherheitssystem enthalten. Mit dieser Entscheidung wird die vom Tool vorgeschlagene Aktion auf Sicherheit überprüft.

{
  "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"
            }
          }
        }
      }
    ]
  }
}

Wenn die safety_decision require_confirmation ist, müssen Sie den Endnutzer um Bestätigung bitten, bevor Sie mit der Ausführung der Aktion fortfahren.

Das folgende Codebeispiel fordert den Endnutzer vor der Ausführung der Aktion zur Bestätigung auf. Wenn der Nutzer die Aktion nicht bestätigt, wird die Schleife beendet. Wenn der Nutzer die Aktion bestätigt, wird sie ausgeführt und das Feld safety_acknowledgement wird als True markiert.

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 ...

Wenn der Nutzer bestätigt, müssen Sie die Sicherheitsbestätigung in Ihre FunctionResponse aufnehmen.

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
                )
             )
           ]
         )
       )

Best Practices für die Sicherheit

Das Modell und Tool zur Computernutzung ist ein neuartiges Tool und birgt neue Risiken, die Entwickler beachten sollten:

  • Nicht vertrauenswürdige Inhalte und Betrug:Da das Modell versucht, das Ziel des Nutzers zu erreichen, kann es auf nicht vertrauenswürdige Informationsquellen und Anweisungen auf dem Bildschirm zurückgreifen. Wenn das Ziel des Nutzers beispielsweise darin besteht, ein Pixel-Smartphone zu kaufen, und das Modell auf einen Betrug mit dem Titel „Kostenloses Pixel, wenn Sie an einer Umfrage teilnehmen“ stößt, besteht eine gewisse Wahrscheinlichkeit, dass das Modell die Umfrage ausfüllt.
  • Gelegentliche unbeabsichtigte Aktionen:Das Modell kann das Ziel eines Nutzers oder Webseiteninhalte falsch interpretieren und dadurch falsche Aktionen ausführen, z. B. auf die falsche Schaltfläche klicken oder das falsche Formular ausfüllen. Dies kann zu fehlgeschlagenen Aufgaben oder Datenexfiltration führen.
  • Richtlinienverstöße:Die Funktionen der API könnten entweder absichtlich oder unbeabsichtigt für Aktivitäten verwendet werden, die gegen die Nutzungsbedingungen und Richtlinien von Google verstoßen. Dazu gehören Aktionen, die die Integrität eines Systems beeinträchtigen, die Sicherheit gefährden, Sicherheitsmaßnahmen wie CAPTCHAs umgehen oder medizinische Geräte steuern könnten.

Um diese Risiken zu minimieren, sollten Sie die folgenden Sicherheitsmaßnahmen und Best Practices implementieren:

  1. Human-in-the-Loop (HITL):
    • Nutzerbestätigung implementieren: Wenn die Sicherheitsantwort „Bestätigung erforderlich“ angibt, müssen Sie vor der Ausführung eine Nutzerbestätigung implementieren.
    • Benutzerdefinierte Sicherheitsanweisungen bereitstellen: Zusätzlich zu den integrierten Prüfungen zur Nutzerbestätigung können Entwickler optional eine benutzerdefinierte System anweisung hinzufügen, die ihre eigenen Sicherheitsrichtlinien erzwingt, um bestimmte Modellaktionen zu blockieren oder eine Nutzerbestätigung zu verlangen, bevor das Modell bestimmte irreversible Aktionen mit hohem Risiko ausführt. Hier ist ein Beispiel für eine benutzerdefinierte Sicherheitsanweisung, die Sie bei der Interaktion mit dem Modell einbeziehen können.

    Klicken Sie hier, um ein Beispiel für das Erstellen einer Verbindung zu sehen.

    ## **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. Sichere Ausführungsumgebung:Führen Sie Ihren Agent in einer sicheren Sandbox-Umgebung aus, um die potenziellen Auswirkungen zu begrenzen (z. B. eine Sandbox-VM, einen Container wie Docker oder ein dediziertes Browserprofil mit eingeschränkten Berechtigungen).
  3. Eingabe bereinigen:Bereinigen Sie alle von Nutzern generierten Texte in Prompts, um das Risiko unbeabsichtigter Anweisungen oder Prompt Injection zu minimieren. Dies ist eine hilfreiche Sicherheitsebene, ersetzt aber keine sichere Ausführungsumgebung.
  4. Zulassungs- und Sperrlisten:Implementieren Sie Filtermechanismen, um zu steuern, wohin das Modell navigieren und was es tun kann. Eine Sperrliste mit verbotenen Websites ist ein guter Ausgangspunkt, während eine restriktivere Zulassungsliste noch sicherer ist.
  5. Beobachtbarkeit und Logging:Führen Sie detaillierte Logs für das Debugging, die Prüfung und die Incident Response. Ihr Client sollte Prompts, Screenshots, vom Modell vorgeschlagene Aktionen (function_call), Sicherheitsantworten und alle Aktionen protokollieren, die letztendlich vom Client ausgeführt werden.

Preise

Das Modell und Tool zur Computernutzung wird zu denselben Preisen wie Gemini angeboten und verwendet dieselben SKUs. Wenn Sie die Kosten für das Modell und Tool zur Computernutzung aufteilen möchten, verwenden Sie benutzerdefinierte Metadatenlabels. Weitere Informationen zur Verwendung benutzerdefinierter Metadatenlabels zur Kostenüberwachung finden Sie unter Benutzerdefinierte Metadatenlabels.