Përdorimi i kompjuterit

Përdorimi i Kompjuterit ju mundëson të ndërtoni agjentë kontrolli të shfletuesit që bashkëveprojnë me detyrat dhe automatizojnë ato. Duke përdorur pamje të ekranit, modeli mund të "shohë" një ekran kompjuteri dhe të "veprojë" duke gjeneruar veprime specifike të ndërfaqes së përdoruesit, si klikimet e miut dhe hyrjet e tastierës. Ngjashëm me thirrjen e funksioneve, duhet të shkruani kodin e aplikacionit nga ana e klientit për të marrë dhe ekzekutuar veprimet e Përdorimit të Kompjuterit.

Me Përdorimin e Kompjuterit, ju mund të ndërtoni agjentë që:

• Automatizoni futjen e përsëritur të të dhënave ose plotësimin e formularëve në faqet e internetit.
• Kryeni testime automatike të aplikacioneve web dhe rrjedhave të përdoruesve
• Kryeni kërkime nëpër faqe të ndryshme interneti (p.sh., mbledhja e informacionit të produktit, çmimeve dhe vlerësimeve nga faqet e tregtisë elektronike për të informuar një blerje)

Mënyra më e lehtë për të testuar aftësinë e Përdorimit të Kompjuterit është përmes implementimit referues ose mjedisit demo të Browserbase .

Si funksionon përdorimi i kompjuterit

Për të ndërtuar një agjent kontrolli të shfletuesit me modelin e Përdorimit të Kompjuterit, zbatoni një cikël agjentësh që bën sa vijon:

1. Dërgoni një kërkesë te modeli

   • Shtoni mjetin Përdorimi i Kompjuterit dhe opsionalisht çdo funksion të personalizuar të përcaktuar nga përdoruesi ose funksion të përjashtuar në kërkesën tuaj API.
   • Nxit modelin e Përdorimit të Kompjuterit me kërkesën e përdoruesit.

2. Merrni përgjigjen e modelit

   • Modeli i Përdorimit të Kompjuterit analizon kërkesën e përdoruesit dhe pamjen e ekranit, dhe gjeneron një përgjigje që përfshin një function_call të sugjeruar që përfaqëson një veprim të ndërfaqes së përdoruesit (p.sh., "kliko në koordinatë (x,y)" ose "shkruaj 'tekst'"). Për një përshkrim të të gjitha veprimeve të ndërfaqes së përdoruesit të mbështetura nga modeli i Përdorimit të Kompjuterit, shihni Veprimet e mbështetura .
   • Përgjigja e API-t mund të përfshijë gjithashtu një safety_decision nga një sistem i brendshëm sigurie që kontrollon veprimin e propozuar të modelit. Ky safety_decision e klasifikon veprimin si:
     • I rregullt / i lejuar: Veprimi konsiderohet i sigurt. Kjo mund të përfaqësohet edhe nga mungesa safety_decision .
     • Kërkon konfirmim ( require_confirmation ): Modeli është gati të kryejë një veprim që mund të jetë i rrezikshëm (p.sh., klikimi në një banderolë "prano cookie").

3. Ekzekutoni veprimin e marrë

   • Kodi juaj në anën e klientit merr function_call dhe çdo safety_decision që e shoqëron atë.
     • Regular / allowed: Nëse safety_decision tregon regular / allowed (ose nëse nuk është i pranishëm safety_decision ), kodi juaj në anën e klientit mund të ekzekutojë function_call të specifikuar në mjedisin tuaj të synuar (p.sh., një shfletues interneti).
     • Kërkon konfirmim: Nëse safety_decision tregon se kërkon konfirmim, aplikacioni juaj duhet t'i kërkojë përdoruesit fundor konfirmim përpara se të ekzekutojë function_call . Nëse përdoruesi konfirmon, vazhdoni me ekzekutimin e veprimit. Nëse përdoruesi refuzon, mos e ekzekutoni veprimin.

4. Kap gjendjen e re të mjedisit

   • Nëse veprimi është ekzekutuar, klienti juaj kap një pamje të re të ekranit të GUI-t dhe URL-në aktuale për ta dërguar përsëri në modelin Computer Use si pjesë e një function_response .
   • Nëse një veprim është bllokuar nga sistemi i sigurisë ose përdoruesi e ka refuzuar konfirmimin, aplikacioni juaj mund t'i dërgojë modelit një formë tjetër reagimi ose ta ndërpresë bashkëveprimin.

Ky proces përsëritet nga hapi 2 me modelin që përdor pamjen e re të ekranit dhe objektivin e vazhdueshëm për të sugjeruar veprimin tjetër. Cikli vazhdon derisa detyra të përfundojë, të ndodhë një gabim ose procesi të ndërpritet (p.sh., për shkak të një përgjigjeje sigurie "blloko" ose vendimi të përdoruesit).

Si të zbatohet përdorimi i kompjuterit

Përpara se të ndërtoni me mjetin Përdorimi i Kompjuterit, do t'ju duhet të konfiguroni sa vijon:

• Mjedis i sigurt ekzekutimi: Për arsye sigurie, duhet ta ekzekutoni agjentin tuaj të Përdorimit të Kompjuterit në një mjedis të sigurt dhe të kontrolluar (p.sh., një makinë virtuale me kuti sanduiçi, një kontejner ose një profil i dedikuar shfletuesi me leje të kufizuara).
• Trajneri i veprimeve në anën e klientit: Do t'ju duhet të implementoni logjikën në anën e klientit për të ekzekutuar veprimet e gjeneruara nga modeli dhe për të kapur pamje të ekranit të mjedisit pas çdo veprimi.

Shembujt në këtë seksion përdorin një shfletues si mjedis ekzekutimi dhe Playwright si trajtuesin e veprimeve në anën e klientit. Për të ekzekutuar këto mostra, duhet të instaloni varësitë e nevojshme dhe të inicializoni një instancë shfletuesi Playwright.

    pip install google-genai playwright
    playwright install chromium
    

    from playwright.sync_api import sync_playwright

    # 1. Configure screen dimensions for the target environment
    SCREEN_WIDTH = 1440
    SCREEN_HEIGHT = 900

    # 2. Start the Playwright browser
    # In production, utilize a sandboxed environment.
    playwright = sync_playwright().start()
    # Set headless=False to see the actions performed on your screen
    browser = playwright.chromium.launch(headless=False)

    # 3. Create a context and page with the specified dimensions
    context = browser.new_context(
        viewport={"width": SCREEN_WIDTH, "height": SCREEN_HEIGHT}
    )
    page = context.new_page()

    # 4. Navigate to an initial page to start the task
    page.goto("https://www.google.com")

    # The 'page', 'SCREEN_WIDTH', and 'SCREEN_HEIGHT' variables
    # will be used in the steps below.
    

Një shembull kodi për zgjerimin në një mjedis Android është përfshirë në seksionin Përdorimi i funksioneve të personalizuara të përcaktuara nga përdoruesi .

1. Dërgoni një kërkesë te modeli

Shtoni mjetin "Përdorimi i Kompjuterit" në kërkesën tuaj API dhe dërgoni një mesazh te modeli që përfshin qëllimin e përdoruesit. Duhet të përdorni një nga modelet e mbështetura nga "Përdorimi i Kompjuterit" ose do të merrni një gabim:

• gemini-2.5-computer-use-preview-10-2025
• gemini-3-pro-preview
• gemini-3-flash-preview

Gjithashtu mund të shtoni opsionalisht parametrat e mëposhtëm:

• Veprime të përjashtuara: Nëse ka ndonjë veprim nga lista e veprimeve të mbështetura të ndërfaqes së përdoruesit që nuk dëshironi që modeli t'i kryejë, specifikoni këto veprime si excluded_predefined_functions .
• Funksione të përcaktuara nga përdoruesi: Përveç mjetit Përdorimi i kompjuterit, mund të dëshironi të përfshini funksione të personalizuara të përcaktuara nga përdoruesi.

Vini re se nuk ka nevojë të specifikoni madhësinë e ekranit kur lëshoni një kërkesë; modeli parashikon koordinatat e pikselëve të shkallëzuara në lartësinë dhe gjerësinë e ekranit.

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"]

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
        #types.Tool(
          # function_declarations=custom_functions
          #   )
          ],
  )

# Create the content with user message
contents=[
    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."),
        ],
    )
]

# Generate content with the configured settings
response = client.models.generate_content(
    model='gemini-2.5-computer-use-preview-10-2025',
    contents=contents,
    config=generate_content_config,
)

# Print the response output
print(response)

Për një shembull me funksione të personalizuara, shihni Përdorimi i funksioneve të personalizuara të përcaktuara nga përdoruesi .

2. Merrni përgjigjen e modelit

Kur aktivizohet mjeti "Përdorimi i Kompjuterit", modeli do të përgjigjet me një ose më shumë FunctionCalls nëse përcakton se nevojiten veprime të ndërfaqes së përdoruesit për të përfunduar detyrën. "Përdorimi i Kompjuterit" mbështet thirrjen paralele të funksioneve, që do të thotë se modeli mund të kthejë veprime të shumta në një kthesë të vetme.

Ja një shembull përgjigjeje model.

{
  "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
          }
        }
      }
    ]
  }
}

3. Ekzekutoni veprimet e marra

Kodi i aplikacionit tuaj duhet të analizojë përgjigjen e modelit, të ekzekutojë veprimet dhe të mbledhë rezultatet.

Kodi shembullor më poshtë nxjerr thirrjet e funksioneve nga përgjigja e modelit Computer Use dhe i përkthen ato në veprime që mund të ekzekutohen me Playwright. Modeli jep koordinata të normalizuara (0-999) pavarësisht nga dimensionet e imazhit hyrës, kështu që një pjesë e hapit të përkthimit është konvertimi i këtyre koordinatave të normalizuara përsëri në vlerat aktuale të pikselëve.

Madhësia e rekomanduar e ekranit për përdorim me modelin Computer Use është (1440, 900). Modeli do të funksionojë me çdo rezolucion, megjithëse cilësia e rezultateve mund të ndikohet.

Vini re se ky shembull përfshin vetëm zbatimin për 3 veprimet më të zakonshme të ndërfaqes së përdoruesit: open_web_browser , click_at dhe type_text_at . Për rastet e përdorimit në prodhim, do t'ju duhet të zbatoni të gjitha veprimet e tjera të ndërfaqes së përdoruesit nga lista e veprimeve të mbështetura, përveç nëse i shtoni ato në mënyrë të qartë si excluded_predefined_functions .

from typing import Any, List, Tuple
import time

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

def denormalize_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(candidate, page, screen_width, screen_height):
    results = []
    function_calls = []
    for part in candidate.content.parts:
        if part.function_call:
            function_calls.append(part.function_call)

    for function_call in function_calls:
        action_result = {}
        fname = function_call.name
        args = function_call.args
        print(f"  -> Executing: {fname}")

        try:
            if fname == "open_web_browser":
                pass # Already open
            elif fname == "click_at":
                actual_x = denormalize_x(args["x"], screen_width)
                actual_y = denormalize_y(args["y"], screen_height)
                page.mouse.click(actual_x, actual_y)
            elif fname == "type_text_at":
                actual_x = denormalize_x(args["x"], screen_width)
                actual_y = denormalize_y(args["y"], screen_height)
                text = args["text"]
                press_enter = args.get("press_enter", False)

                page.mouse.click(actual_x, actual_y)
                # Simple clear (Command+A, Backspace for Mac)
                page.keyboard.press("Meta+A")
                page.keyboard.press("Backspace")
                page.keyboard.type(text)
                if press_enter:
                    page.keyboard.press("Enter")
            else:
                print(f"Warning: Unimplemented or custom function {fname}")

            # Wait for potential navigations/renders
            page.wait_for_load_state(timeout=5000)
            time.sleep(1)

        except Exception as e:
            print(f"Error executing {fname}: {e}")
            action_result = {"error": str(e)}

        results.append((fname, action_result))

    return results

4. Kapni gjendjen e re të mjedisit

Pas ekzekutimit të veprimeve, dërgoni rezultatin e ekzekutimit të funksionit përsëri te modeli në mënyrë që të mund ta përdorë këtë informacion për të gjeneruar veprimin tjetër. Nëse janë ekzekutuar veprime të shumta (thirrje paralele), duhet të dërgoni një FunctionResponse për secilin prej tyre në kthesën pasuese të përdoruesit.

def get_function_responses(page, results):
    screenshot_bytes = page.screenshot(type="png")
    current_url = page.url
    function_responses = []
    for name, result in results:
        response_data = {"url": current_url}
        response_data.update(result)
        function_responses.append(
            types.FunctionResponse(
                name=name,
                response=response_data,
                parts=[types.FunctionResponsePart(
                        inline_data=types.FunctionResponseBlob(
                            mime_type="image/png",
                            data=screenshot_bytes))
                ]
            )
        )
    return function_responses

Ndërtoni një lak agjentësh

Për të aktivizuar ndërveprimet me shumë hapa, kombinoni katër hapat nga seksioni Si të implementohet Përdorimi i Kompjuterit në një cikël. Mos harroni ta menaxhoni historikun e bisedës në mënyrë korrekte duke i bashkëngjitur përgjigjet e modelit dhe përgjigjet e funksionit tuaj.

Për të ekzekutuar këtë shembull kodi, duhet të:

• Instaloni varësitë e nevojshme të Playwright .

• Përcaktoni funksionet ndihmëse nga hapat (3) Ekzekutoni veprimet e marra dhe (4) Kapni gjendjen e re të mjedisit .

import time
from typing import Any, List, Tuple
from playwright.sync_api import sync_playwright

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

client = genai.Client()

# Constants for screen dimensions
SCREEN_WIDTH = 1440
SCREEN_HEIGHT = 900

# Setup Playwright
print("Initializing browser...")
playwright = sync_playwright().start()
browser = playwright.chromium.launch(headless=False)
context = browser.new_context(viewport={"width": SCREEN_WIDTH, "height": SCREEN_HEIGHT})
page = context.new_page()

# Define helper functions. Copy/paste from steps 3 and 4
# def denormalize_x(...)
# def denormalize_y(...)
# def execute_function_calls(...)
# def get_function_responses(...)

try:
    # Go to initial page
    page.goto("https://ai.google.dev/gemini-api/docs")

    # Configure the model (From Step 1)
    config = types.GenerateContentConfig(
        tools=[types.Tool(computer_use=types.ComputerUse(
            environment=types.Environment.ENVIRONMENT_BROWSER
        ))],
        thinking_config=types.ThinkingConfig(include_thoughts=True),
    )

    # Initialize history
    initial_screenshot = page.screenshot(type="png")
    USER_PROMPT = "Go to ai.google.dev/gemini-api/docs and search for pricing."
    print(f"Goal: {USER_PROMPT}")

    contents = [
        Content(role="user", parts=[
            Part(text=USER_PROMPT),
            Part.from_bytes(data=initial_screenshot, mime_type='image/png')
        ])
    ]

    # Agent Loop
    turn_limit = 5
    for i in range(turn_limit):
        print(f"\n--- Turn {i+1} ---")
        print("Thinking...")
        response = client.models.generate_content(
            model='gemini-2.5-computer-use-preview-10-2025',
            contents=contents,
            config=config,
        )

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

        has_function_calls = any(part.function_call for part in candidate.content.parts)
        if not has_function_calls:
            text_response = " ".join([part.text for part in candidate.content.parts if part.text])
            print("Agent finished:", text_response)
            break

        print("Executing actions...")
        results = execute_function_calls(candidate, page, SCREEN_WIDTH, SCREEN_HEIGHT)

        print("Capturing state...")
        function_responses = get_function_responses(page, results)

        contents.append(
            Content(role="user", parts=[Part(function_response=fr) for fr in function_responses])
        )

finally:
    # Cleanup
    print("\nClosing browser...")
    browser.close()
    playwright.stop()

Përdorimi i funksioneve të personalizuara të përcaktuara nga përdoruesi

Mund të përfshini opsionalisht funksione të personalizuara të përcaktuara nga përdoruesi në kërkesën tuaj për të zgjeruar funksionalitetin e modelit. Shembulli më poshtë përshtat modelin dhe mjetin e Përdorimit të Kompjuterit për rastet e përdorimit në celular duke përfshirë veprime të personalizuara të përcaktuara nga përdoruesi si open_app , long_press_at dhe go_home , ndërsa përjashton veprimet specifike të shfletuesit. Modeli mund t'i thërrasë në mënyrë inteligjente këto funksione të personalizuara së bashku me veprimet standarde të ndërfaqes së përdoruesit për të përfunduar detyrat në mjedise jo-shfletuese.

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()

SYSTEM_PROMPT = """You are operating an Android phone. Today's date is October 15, 2023, so ignore any other date provided.
* To provide an answer to the user, *do not use any tools* and output your answer on a separate line. IMPORTANT: Do not add any formatting or additional punctuation/text, just output the answer by itself after two empty lines.
* Make sure you scroll down to see everything before deciding something isn't available.
* You can open an app from anywhere. The icon doesn't have to currently be on screen.
* Unless explicitly told otherwise, make sure to save any changes you make.
* If text is cut off or incomplete, scroll or click into the element to get the full text before providing an answer.
* IMPORTANT: Complete the given task EXACTLY as stated. DO NOT make any assumptions that completing a similar task is correct.  If you can't find what you're looking for, SCROLL to find it.
* If you want to edit some text, ONLY USE THE `type` tool. Do not use the onscreen keyboard.
* Quick settings shouldn't be used to change settings. Use the Settings app instead.
* The given task may already be completed. If so, there is no need to do anything.
"""

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) -> 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).

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

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(
        system_instruction=SYSTEM_PROMPT,
        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."),
        ],
    )
]

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

# Generate content with the configured settings
response = client.models.generate_content(
        model='gemini-2.5-computer-use-preview-10-2025',
        contents=contents,
        config=config,
    )

print(response)

Veprimet e mbështetura të ndërfaqes së përdoruesit

Modeli mund të kërkojë veprimet e mëposhtme të ndërfaqes së përdoruesit nëpërmjet një FunctionCall . Kodi juaj në anën e klientit duhet të zbatojë logjikën e ekzekutimit për këto veprime. Shihni zbatimin referues për shembuj.

Siguria dhe mbrojtja

Pranoni vendimin e sigurisë

Në varësi të veprimit, përgjigjja e modelit mund të përfshijë gjithashtu një safety_decision nga një sistem i brendshëm sigurie që kontrollon veprimin e propozuar të modelit.

{
  "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"
            }
          }
        }
      }
    ]
  }
}

Nëse safety_decision është require_confirmation , duhet t'i kërkoni përdoruesit përfundimtar ta konfirmojë përpara se të vazhdoni me ekzekutimin e veprimit. Sipas kushteve të shërbimit , nuk lejoheni të anashkaloni kërkesat për konfirmim njerëzor.

Ky shembull kodi i kërkon përdoruesit fundor konfirmim përpara se të ekzekutojë veprimin. Nëse përdoruesi nuk e konfirmon veprimin, cikli përfundon. Nëse përdoruesi konfirmon veprimin, veprimi ekzekutohet dhe fusha safety_acknowledgement shënohet si 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(candidate, page, screen_width, screen_height):

    # ... 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 ...

Nëse përdoruesi konfirmon, duhet të përfshini konfirmimin e sigurisë në FunctionResponse tuaj.

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
                )
             )
           ]
         )
       )

Praktikat më të mira të sigurisë

Përdorimi i kompjuterit është një mjet i ri që paraqet rreziqe të reja për të cilat zhvilluesit duhet të jenë të vetëdijshëm:

• Përmbajtje dhe mashtrime të pabesueshme: Ndërsa modeli përpiqet të arrijë qëllimin e përdoruesit, ai mund të mbështetet në burime informacioni dhe udhëzimesh të pabesueshme nga ekrani. Për shembull, nëse qëllimi i përdoruesit është të blejë një telefon Pixel dhe modeli has një mashtrim "Falas Pixel nëse plotësoni një anketë", ekziston njëfarë mundësie që modeli ta plotësojë anketën.
• Veprime të rastit të paqëllimshme: Modeli mund ta keqinterpretojë qëllimin ose përmbajtjen e faqes së internetit të një përdoruesi, duke bërë që ai të ndërmarrë veprime të pasakta, si klikimi i butonit të gabuar ose plotësimi i formularit të gabuar. Kjo mund të çojë në detyra të dështuara ose nxjerrje të të dhënave.
• Shkeljet e politikave: Aftësitë e API-t mund të drejtohen, qoftë qëllimisht ose pa dashje, drejt aktiviteteve që shkelin politikat e Google ( Politika e Përdorimit të Ndaluar të Gen AI dhe Kushtet Shtesë të Shërbimit të Gemini API) . Kjo përfshin veprime që mund të ndërhyjnë në integritetin e një sistemi, të kompromentojnë sigurinë, të anashkalojnë masat e sigurisë, të kontrollojnë pajisjet mjekësore, etj.

Për të adresuar këto rreziqe, mund të zbatoni masat e mëposhtme të sigurisë dhe praktikat më të mira:

1. Njeriu-në-Lupë (HITL):

   • Implementoni konfirmimin e përdoruesit: Kur përgjigja e sigurisë tregon require_confirmation , duhet të implementoni konfirmimin e përdoruesit para ekzekutimit. Shihni Pranoni vendimin e sigurisë për kodin shembull.

   • Jepni udhëzime të personalizuara sigurie: Përveç kontrolleve të integruara të konfirmimit të përdoruesit, zhvilluesit mund të shtojnë opsionalisht një udhëzim të personalizuar të sistemit që zbaton politikat e tyre të sigurisë, ose për të bllokuar veprime të caktuara të modelit ose për të kërkuar konfirmimin e përdoruesit përpara se modeli të ndërmarrë veprime të caktuara të pakthyeshme me rrezik të lartë. Ja një shembull i një udhëzimi të personalizuar të sistemit të sigurisë që mund të përfshini kur bashkëveproni me modelin.

     Shembuj udhëzimesh sigurie

     Vendosni rregullat tuaja të personalizuara të sigurisë si një udhëzim sistemi:

         ## **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 the
             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 the following cases:
         - User confirmation
         - When the task is complete or you have enough information to respond to the user
         

2. Mjedis i sigurt ekzekutimi: Ekzekutoni agjentin tuaj në një mjedis të sigurt, të sandboxuar për të kufizuar ndikimin e tij të mundshëm (p.sh., një makinë virtuale (VM) e sandboxuar, një kontejner (p.sh., Docker) ose një profil i dedikuar shfletuesi me leje të kufizuara).

3. Pastrimi i të dhënave hyrëse: Pastroni të gjithë tekstin e gjeneruar nga përdoruesi në mesazhe për të zbutur rrezikun e udhëzimeve të paqëllimshme ose injektimit të mesazheve të shpejta. Ky është një shtresë e dobishme sigurie, por jo një zëvendësim për një mjedis të sigurt ekzekutimi.

4. Mbrojtëse të përmbajtjes: Përdorni mbrojtëse dhe API-të e sigurisë së përmbajtjes për të vlerësuar të dhënat hyrëse të përdoruesit, të dhënat hyrëse dhe dalëse të mjeteve, përgjigjen e një agjenti për përshtatshmëri, injektimin e shpejtë dhe zbulimin e jailbreak-ut.

5. Listat e lejimeve dhe listat e bllokimeve: Implementoni mekanizma filtrimi për të kontrolluar se ku mund të lundrojë modeli dhe çfarë mund të bëjë. Një listë bllokimi e faqeve të internetit të ndaluara është një pikënisje e mirë, ndërsa një listë lejimesh më kufizuese është edhe më e sigurt.

6. Vëzhgueshmëria dhe regjistrimi: Mbani regjistrime të detajuara për debugging, auditim dhe reagim ndaj incidenteve. Klienti juaj duhet të regjistrojë kërkesat, pamjet e ekranit, veprimet e sugjeruara nga modeli (function_call), përgjigjet e sigurisë dhe të gjitha veprimet që ekzekutohen përfundimisht nga klienti.

7. Menaxhimi i mjedisit: Sigurohuni që mjedisi GUI të jetë konsistent. Dritaret, njoftimet ose ndryshimet e papritura në paraqitje mund ta ngatërrojnë modelin. Filloni nga një gjendje e njohur dhe e pastër për çdo detyrë të re, nëse është e mundur.

Versionet e modelit

Çfarë vjen më pas

• Eksperimentoni me përdorimin e kompjuterit në mjedisin demo të Browserbase .
• Shikoni implementimin e referencës për kodin shembull.
• Mësoni rreth mjeteve të tjera të Gemini API:
  • Thirrja e funksionit
  • Bazë me Kërkimin në Google