Modello e strumento di utilizzo del computer

Il modello e lo strumento di utilizzo del computer di Gemini ti consentono di abilitare le tue applicazioni a interagire con le attività e ad automatizzarle nel browser. Utilizzando gli screenshot, il modello e lo strumento di utilizzo del computer possono dedurre informazioni su una schermata del computer ed eseguire azioni generando azioni specifiche dell'interfaccia utente, come clic del mouse e input da tastiera. Analogamente alla chiamata di funzione, devi scrivere il codice dell'applicazione lato client per ricevere la chiamata di funzione del modello e dello strumento di utilizzo del computer ed eseguire le azioni corrispondenti.

Con il modello e lo strumento di utilizzo del computer, puoi creare agenti in grado di:

  • Automatizzare l'immissione di dati ripetitivi o la compilazione di moduli sui siti web.
  • Navigare sui siti web per raccogliere informazioni.
  • Assistere gli utenti eseguendo sequenze di azioni nelle applicazioni web.

Questa guida tratta i seguenti argomenti:

Questa guida presuppone che tu stia utilizzando l'SDK Gen AI per Python e che tu sia familiare con l'API Playwright.

Durante questa anteprima, il modello e lo strumento di utilizzo del computer non sono supportati nelle altre lingue dell'SDK o nella Google Cloud console.

Inoltre, puoi visualizzare l'implementazione di riferimento per il modello e lo strumento di utilizzo del computer in GitHub.

Modelli supportati

Il modello e lo strumento di utilizzo del computer sono supportati quando si utilizzano i seguenti modelli:

Come funziona il modello e lo strumento di utilizzo del computer

Anziché generare risposte di testo, il modello e lo strumento di utilizzo del computer determinano quando eseguire azioni specifiche dell'interfaccia utente, come i clic del mouse, e restituiscono i parametri necessari per eseguire queste azioni. Devi scrivere il codice dell'applicazione lato client per ricevere la function_call del modello e dello strumento di utilizzo del computer ed eseguire le azioni corrispondenti.

Le interazioni del modello e dello strumento di utilizzo del computer seguono un processo di loop agentico:

  1. Invia una richiesta al modello

    • Aggiungi il modello e lo strumento di utilizzo del computer e, facoltativamente, eventuali strumenti aggiuntivi alla richiesta API.
    • Richiedi al modello e allo strumento di utilizzo del computer la richiesta dell'utente e uno screenshot che rappresenta lo stato attuale della GUI.

  2. Ricevi la risposta del modello

    • Il modello analizza la richiesta dell'utente e lo screenshot e genera una risposta che include una function_call suggerita che rappresenta un'azione dell'interfaccia utente (ad esempio, "fai clic sulla coordinata (x,y)" o "digita 'testo'"). Per l'elenco di tutte le azioni che puoi utilizzare con il modello, consulta Azioni supportate.
    • La risposta API può includere anche una safety_response da un sistema di sicurezza interno che ha controllato l'azione proposta dal modello. Questa safety_response classifica l'azione come:
      • Regolare o consentita: l'azione è considerata sicura. Questa opzione può anche essere rappresentata dall'assenza di una safety_response.
      • Richiede conferma: il modello sta per eseguire un'azione che potrebbe essere rischiosa (ad esempio, fare clic su un "banner di accettazione dei cookie").

  3. Esegui l'azione ricevuta

    • Il codice lato client riceve la function_call e qualsiasi safety_response di accompagnamento.
    • Se la safety_response indica che l'azione è regolare o consentita (o se non è presente alcuna safety_response), il codice lato client può eseguire la function_call specificata nell'ambiente di destinazione (ad esempio, un browser web).
    • Se la safety_response indica che è necessaria una conferma, l'applicazione deve chiedere all'utente finale di confermare prima di eseguire la function_call. Se l'utente conferma, procedi con l'esecuzione dell'azione. Se l'utente nega, non eseguire l'azione.

  4. Acquisisci il nuovo stato dell'ambiente

    • Se l'azione è stata eseguita, il client acquisisce un nuovo screenshot della GUI e dell'URL corrente da inviare di nuovo al modello e allo strumento di utilizzo del computer come parte di una function_response.
    • Se un'azione è stata bloccata dal sistema di sicurezza o la conferma è stata negata dall'utente, l'applicazione potrebbe inviare un altro tipo di feedback al modello o terminare l'interazione.

Al modello viene inviata una nuova richiesta con lo stato aggiornato. Il processo viene ripetuto dal passaggio 2, con il modello e lo strumento di utilizzo del computer che utilizzano il nuovo screenshot (se fornito) e l'obiettivo continuo di suggerire l'azione successiva. Il loop continua finché l'attività non viene completata, si verifica un errore o il processo viene terminato (ad esempio, se una risposta viene bloccata dai filtri di sicurezza o dalla decisione dell'utente).

Il seguente diagramma illustra il funzionamento del modello e dello strumento di utilizzo del computer:

Panoramica dello strumento Uso del computer

Abilita il modello e lo strumento di utilizzo del computer

Per abilitare il modello e lo strumento di utilizzo del computer, utilizza gemini-3-flash-preview come modello e aggiungi il modello e lo strumento di utilizzo del computer all'elenco degli strumenti abilitati:

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,
  )

Invia una richiesta

Dopo aver configurato il modello e lo strumento di utilizzo del computer, invia un prompt al modello che includa l'obiettivo dell'utente e uno screenshot iniziale della GUI.

Puoi anche aggiungere facoltativamente quanto segue:

  • Azioni escluse: se nell'elenco delle azioni dell'interfaccia utente supportate sono presenti azioni che non vuoi che il modello esegua, specifica tali azioni nel excluded_predefined_functions.
  • Funzioni definite dall'utente: oltre al modello e allo strumento di utilizzo del computer, potresti voler includere funzioni personalizzate definite dall'utente.

Il seguente codice campione abilita il modello e lo strumento di utilizzo del computer e invia la richiesta al modello:

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)

Puoi anche includere funzioni personalizzate definite dall'utente per estendere la funzionalità del modello. Per informazioni su come configurare l'utilizzo del computer per i casi d'uso mobile aggiungendo azioni come open_app, long_press_at e go_home ed escludendo azioni specifiche del browser, consulta Utilizzare il modello e lo strumento di utilizzo del computer per i casi d'uso mobile.

Ricevi le risposte

Se il modello determina che sono necessarie azioni dell'interfaccia utente o funzioni definite dall'utente per completare l'attività, risponde con una o più FunctionCalls. Il codice dell'applicazione deve analizzare queste azioni, eseguirle e raccogliere i risultati. Il modello e lo strumento di utilizzo del computer supportano la chiamata di funzione parallela, il che significa che il modello può restituire più azioni indipendenti in un singolo turno.

{
  "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
          }
        }
      }
    ]
  }
}

A seconda dell'azione, la risposta API potrebbe restituire anche una 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"
            }
          }
        }
      }
    ]
  }
}

Esegui le azioni ricevute

Dopo aver ricevuto una risposta, il modello deve eseguire le azioni ricevute.

Il seguente codice estrae le chiamate di funzione da una risposta di Gemini, converte le coordinate dall'intervallo 0-1000 in pixel effettivi, esegue le azioni del browser utilizzando Playwright e restituisce lo stato di riuscita o errore per ogni azione:

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

Se la safety_decision restituita è require_confirmation, devi chiedere all'utente di confermare prima di procedere con l'esecuzione dell'azione. Ai sensi dei Termini di servizio, non è consentito ignorare le richieste di conferma umana.

Il seguente codice aggiunge la logica di sicurezza al codice precedente:

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 ...

Acquisisci il nuovo stato

Dopo aver eseguito le azioni, invia il risultato dell'esecuzione della funzione al modello in modo che possa utilizzare queste informazioni per generare l'azione successiva. Se sono state eseguite più azioni (chiamate parallele), devi inviare una FunctionResponse per ognuna nel turno utente successivo. Per le funzioni definite dall'utente, la FunctionResponse deve contenere il valore restituito della funzione eseguita.

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)

Crea un loop di agenti

Combina i passaggi precedenti in un loop per abilitare le interazioni in più passaggi. Il loop deve gestire le chiamate di funzione parallele. Ricorda di gestire correttamente la cronologia delle conversazioni (array di contenuti) aggiungendo sia le risposte del modello sia le risposte delle funzioni.

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()

Modello e strumento di utilizzo del computer per i casi d'uso mobile

Il seguente esempio mostra come definire funzioni personalizzate (ad esempio open_app, long_press_at e go_home), combinarle con lo strumento di utilizzo del computer integrato di Gemini ed escludere le funzioni specifiche del browser non necessarie. Registrando queste funzioni personalizzate, il modello può chiamarle in modo intelligente insieme alle azioni standard dell'interfaccia utente per completare le attività in ambienti non browser.

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)

Azioni supportate

Il modello e lo strumento di utilizzo del computer consentono al modello di richiedere le seguenti azioni utilizzando una FunctionCall. Il codice lato client deve implementare la logica di esecuzione per queste azioni. Per esempi, consulta l'implementazione di riferimento.

Nome comando Descrizione Argomenti (in Chiamata di funzione) Esempio di chiamata di funzione
open_web_browser Apre il browser web. Nessuno {"name": "open_web_browser", "args": {}}
wait_5_seconds Mette in pausa l'esecuzione per 5 secondi per consentire il caricamento dei contenuti dinamici o il completamento delle animazioni. Nessuno {"name": "wait_5_seconds", "args": {}}
go_back Conduce alla pagina precedente nella cronologia del browser. Nessuno {"name": "go_back", "args": {}}
go_forward Conduce alla pagina successiva nella cronologia del browser. Nessuno {"name": "go_forward", "args": {}}
search Conduce alla home page del motore di ricerca predefinito (ad esempio, Google). Utile per avviare una nuova attività di ricerca. Nessuno {"name": "search", "args": {}}
navigate Conduce il browser direttamente all'URL specificato. url: str {"name": "navigate", "args": {"url": "https://www.wikipedia.org"}}
click_at Fa clic su una coordinata specifica della pagina web. I valori x e y si basano su una griglia 1000x1000 e vengono scalati in base alle dimensioni dello schermo. y: int (0-999), x: int (0-999) {"name": "click_at", "args": {"y": 300, "x": 500}}
hover_at Passa il mouse su una coordinata specifica della pagina web. Utile per visualizzare i sottomenu. x e y si basano su una griglia 1000x1000. y: int (0-999) x: int (0-999) {"name": "hover_at", "args": {"y": 150, "x": 250}}
type_text_at Digita il testo in una coordinata specifica, per impostazione predefinita cancella prima il campo e preme INVIO dopo la digitazione, ma queste azioni possono essere disattivate. x e y si basano su una griglia 1000x1000. y: int (0-999), x: int (0-999), text: str, press_enter: bool (facoltativo, valore predefinito True), clear_before_typing: bool (facoltativo, valore predefinito True) {"name": "type_text_at", "args": {"y": 250, "x": 400, "text": "search query", "press_enter": false}}
key_combination Premi i tasti della tastiera o le combinazioni, ad esempio "Control+C" o "Invio". Utile per attivare azioni (ad esempio, inviare un modulo con "Invio") o operazioni sugli appunti. keys: str (ad esempio, 'enter', 'control+c'. Per l'elenco completo dei tasti consentiti, consulta il riferimento API) {"name": "key_combination", "args": {"keys": "Control+A"}}
scroll_document Scorre l'intera pagina web "verso l'alto", "verso il basso", "verso sinistra" o "verso destra". direction: str ("up", "down", "left" o "right") {"name": "scroll_document", "args": {"direction": "down"}}
scroll_at Scorre un elemento o un'area specifica alla coordinata (x, y) nella direzione specificata di una determinata entità. Le coordinate e l'entità (valore predefinito 800) si basano su una griglia 1000x1000. y: int (0-999), x: int (0-999), direction: str ("up", "down", "left", "right"), magnitude: int (0-999, facoltativo, valore predefinito 800) {"name": "scroll_at", "args": {"y": 500, "x": 500, "direction": "down", "magnitude": 400}}
drag_and_drop Trascina un elemento da una coordinata iniziale (x, y) e lo rilascia in una coordinata di destinazione (destination_x, destination_y). Tutte le coordinate si basano su una griglia 1000x1000. 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}}

Sicurezza

Questa sezione descrive le misure di salvaguardia implementate dal modello e dallo strumento di utilizzo del computer per migliorare il controllo dell'utente e la sicurezza. Descrive anche le best practice per mitigare i potenziali nuovi rischi che lo strumento potrebbe presentare.

Riconosci la decisione di sicurezza

A seconda dell'azione, la risposta del modello e dello strumento di utilizzo del computer potrebbe includere una safety_decision da un sistema di sicurezza interno. Questa decisione verifica la sicurezza dell'azione proposta dallo strumento.

{
  "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"
            }
          }
        }
      }
    ]
  }
}

Se la safety_decision è require_confirmation, devi chiedere all'utente finale di confermare prima di procedere con l'esecuzione dell'azione.

Il seguente esempio di codice chiede all'utente finale di confermare prima di eseguire l'azione. Se l'utente non conferma l'azione, il loop termina. Se l'utente conferma l'azione, questa viene eseguita e il campo safety_acknowledgement viene contrassegnato come 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 ...

Se l'utente conferma, devi includere il riconoscimento della sicurezza nella 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
                )
             )
           ]
         )
       )

Best practice per la sicurezza

Il modello e lo strumento di utilizzo del computer sono strumenti nuovi e presentano nuovi rischi di cui gli sviluppatori devono essere consapevoli:

  • Contenuti non attendibili e truffe: poiché il modello tenta di raggiungere l'obiettivo dell'utente, potrebbe fare affidamento su fonti di informazioni e istruzioni non attendibili provenienti dalla schermata. Ad esempio, se l'obiettivo dell'utente è acquistare uno smartphone Pixel e il modello rileva una truffa "Pixel senza costi se completi un sondaggio", è possibile che il modello completi il sondaggio.
  • Azioni non intenzionali occasionali: il modello può interpretare in modo errato l'obiettivo di un utente o i contenuti della pagina web, causando l'esecuzione di azioni errate, ad esempio fare clic sul pulsante sbagliato o compilare il modulo errato. Ciò può comportare il mancato completamento delle attività o l'esfiltrazione di dati.
  • Violazioni delle norme: le funzionalità dell'API potrebbero essere indirizzate, intenzionalmente o meno, ad attività che violano i termini e le norme di Google. Sono incluse le azioni che potrebbero interferire con l'integrità di un sistema, compromettere la sicurezza, ignorare le misure di sicurezza come i CAPTCHA, controllare i dispositivi medici e così via.

Per affrontare questi rischi, devi implementare le seguenti misure di sicurezza e best practice:

  1. Human-in-the-loop (HITL):
    • Implementa la conferma dell'utente: quando la risposta di sicurezza indica require_confirmation, devi implementare la conferma dell'utente prima dell'esecuzione.
    • Fornisci istruzioni di sicurezza personalizzate: oltre ai controlli di conferma dell'utente integrati, gli sviluppatori possono facoltativamente aggiungere un'istruzione di sistema personalizzata che applichi le proprie norme di sicurezza, per bloccare determinate azioni del modello o richiedere la conferma dell'utente prima che il modello esegua determinate azioni irreversibili ad alto rischio. Di seguito è riportato un esempio di istruzione di sistema di sicurezza personalizzata che puoi includere quando interagisci con il modello.

    Fai clic per visualizzare un esempio di creazione di una connessione

    ## **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. Ambiente di esecuzione sicuro: esegui l'agente in un ambiente sicuro e in sandbox per limitarne il potenziale impatto (ad esempio, una macchina virtuale (VM) in sandbox, un container (come Docker) o un profilo del browser dedicato con autorizzazioni limitate).
  3. Sanificazione dell'input: sanifica tutto il testo generato dall'utente nei prompt per mitigare il rischio di istruzioni non intenzionali o di prompt injection. Si tratta di un livello di sicurezza utile, ma non sostituisce un ambiente di esecuzione sicuro.
  4. Liste consentite e liste bloccate: implementa meccanismi di filtro per controllare dove il modello può navigare e cosa può fare. Una lista bloccata di siti web vietati è un buon punto di partenza, mentre una lista consentita più restrittiva è ancora più sicura.
  5. Osservabilità e logging: mantieni log dettagliati per il debug, l'audit e la risposta agli incidenti. Il client deve registrare i prompt, gli screenshot, le azioni suggerite dal modello (function_call), le risposte di sicurezza e tutte le azioni eseguite dal client.

Prezzi

Il modello e lo strumento di utilizzo del computer hanno gli stessi prezzi di Gemini e utilizzano gli stessi SKU. Per suddividere i costi del modello e dello strumento di utilizzo del computer, utilizza le etichette dei metadati personalizzati. Per ulteriori informazioni sull'utilizzo delle etichette dei metadati personalizzati per il monitoraggio dei costi, consulta Etichette dei metadati personalizzati.