用途:构建并运行基于 Gemini 2.5 Computer Use 的浏览器控制智能体,通过 Playwright 驱动浏览器完成用户指定的网页任务,例如查找页面上的信息。
主要能力:智能体循环会截取浏览器截图,将用户目标与截图发送给模型,解析返回的 function_call 动作,在 Playwright 中逐一执行,再把包含最新 URL 与截图的结果回传模型,直到模型只返回文本或达到回合上限。若安全决策为 require_confirmation,执行前会提示用户确认。
使用方式:先准备密钥与环境,命令包括:cp env.example env.sh,编辑并 source env.sh;随后 python -m venv .venv、source .venv/bin/activate、pip install google-genai playwright、playwright install chromium;运行示例为 python scripts/computer_use_agent.py --prompt "..." --start-url "https://example.com" --turn-limit 6。浏览器默认使用 Playwright 自带 Chromium;可用 COMPUTER_USE_BROWSER_CHANNEL 选择 Chrome/Edge,或用 COMPUTER_USE_BROWSER_EXECUTABLE 指定自定义 Chromium 内核浏览器,两者同时设置时后者优先。
适用场景:需要自动化网页浏览与操作的用户任务。
限制与建议:建议在沙箱浏览器配置或容器中运行;可用 --exclude 阻止不想要的危险动作;除非有理由更改,视口保持 1440x900。运行需自备 Gemini API 密钥。收费、价格、具体效果等资料未提供。
资源:脚本 scripts/computer_use_agent.py,参考说明 references/google-computer-use.md,环境模板 env.example。