O modelo e a ferramenta de uso do computador do Gemini 2.5 permitem que seus aplicativos interajam e automatizem tarefas no navegador. Usando capturas de tela, o modelo de uso do computador pode inferir informações sobre uma tela e realizar ações gerando ações específicas da UI, como cliques do mouse e entradas de teclado. Assim como na chamada de função, você precisa escrever o código do aplicativo do lado do cliente para receber o modelo de uso de computadores e a chamada de função da ferramenta e executar as ações correspondentes.
Com o modelo e a ferramenta de uso do computador, é possível criar agentes que podem:
- Automatizar a entrada de dados repetitivos ou o preenchimento de formulários em sites.
- Navegar em sites para coletar informações.
- Ajude os usuários realizando sequências de ações em aplicativos da Web.
Este guia aborda:
- Como o modelo e a ferramenta de uso de computador funcionam
- Como ativar o modelo e a ferramenta de uso do computador
- Como enviar solicitações, receber respostas e criar loops de agente
- Quais ações de computador são compatíveis?
- Suporte de segurança e proteção
- Preços de pré-lançamento
Neste guia, pressupomos que você está usando o SDK da IA generativa para Python e conhece a API Playwright.
O modelo e a ferramenta de uso do computador não são compatíveis com as outras linguagens do SDK ou com o console Google Cloud durante esta prévia.
Além disso, você pode conferir a implementação de referência do modelo e da ferramenta de uso do computador no GitHub.
Como o modelo e a ferramenta de uso de computadores funcionam
Em vez de gerar respostas de texto, o modelo e a ferramenta de uso do computador determinam quando realizar ações específicas da UI, como cliques do mouse, e retornam os parâmetros necessários para executar essas ações. Você precisa escrever o código do aplicativo do lado do cliente para
receber o modelo e a ferramenta de uso do computador function_call
e executar as ações correspondentes.
O modelo de uso do computador e as interações com ferramentas seguem um processo de loop de agente:
Enviar uma solicitação para o modelo
- Adicione o modelo e a ferramenta de uso de computador e, opcionalmente, outras ferramentas à sua solicitação de API.
- Comande o modelo e a ferramenta de uso do computador com o pedido do usuário e uma captura de tela que represente o estado atual da GUI.
Receber a resposta do modelo
- O modelo analisa a solicitação e a captura de tela do usuário e gera uma resposta que inclui um
function_call
sugerido representando uma ação UI (por exemplo, "clique na coordenada (x,y)" ou "digite 'texto'"). Consulte Ações compatíveis para conferir a lista de todas as ações que você pode usar com o modelo. - A resposta da API também pode incluir um
safety_response
de um sistema de segurança interno que verificou a ação proposta pelo modelo. Essesafety_response
classifica a ação como:- Regular ou permitida:a ação é considerada segura. Isso também pode ser representado pela ausência de
safety_response
. - Requer confirmação:o modelo está prestes a realizar uma ação que pode ser arriscada (por exemplo, clicar em um banner "aceitar cookies").
- Regular ou permitida:a ação é considerada segura. Isso também pode ser representado pela ausência de
- O modelo analisa a solicitação e a captura de tela do usuário e gera uma resposta que inclui um
Executar a ação recebida
- Seu código do lado do cliente recebe o
function_call
e qualquersafety_response
acompanhante. - Se o
safety_response
indicar regular ou permitido (ou se nenhumsafety_response
estiver presente), seu código do lado do cliente poderá executar ofunction_call
especificado no ambiente de destino (como um navegador da Web). - Se o
safety_response
indicar que é necessária uma confirmação, o aplicativo vai precisar pedir a confirmação do usuário final antes de executar ofunction_call
. Se o usuário confirmar, execute a ação. Se o usuário negar, não execute a ação.
- Seu código do lado do cliente recebe o
Capturar o novo estado do ambiente
- Se a ação tiver sido executada, o cliente vai capturar uma nova captura de tela da GUI e o URL atual para enviar de volta ao modelo e à ferramenta de uso do computador como parte de um
function_response
. - Se uma ação foi bloqueada pelo sistema de segurança ou teve a confirmação negada pelo usuário, seu aplicativo poderá enviar um feedback diferente para o modelo ou encerrar a interação.
- Se a ação tiver sido executada, o cliente vai capturar uma nova captura de tela da GUI e o URL atual para enviar de volta ao modelo e à ferramenta de uso do computador como parte de um
Uma nova solicitação é enviada ao modelo com o estado atualizado. O processo se repete desde a etapa 2, com o modelo e a ferramenta de uso do computador usando a nova captura de tela (se fornecida) e a meta em andamento para sugerir a próxima ação. O loop continua até que a tarefa seja concluída, ocorra um erro ou o processo seja encerrado (por exemplo, se uma resposta for bloqueada por filtros de segurança ou decisão do usuário).
O diagrama a seguir ilustra como o modelo e a ferramenta de uso de computadores funcionam:
Ativar o modelo e a ferramenta de uso do computador
Para ativar o modelo e a ferramenta de uso do computador, use gemini-2.5-computer-use-preview-10-2025
como modelo e adicione o modelo e a ferramenta de uso do computador à sua lista de ferramentas ativadas:
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-2.5-computer-use-preview-10-2025", contents=contents, config=generate_content_config, )
Enviar uma solicitação
Depois de configurar o modelo e a ferramenta de uso do computador, envie um comando para o modelo que inclua a meta do usuário e uma captura de tela inicial da GUI.
Você também pode adicionar o seguinte:
- Ações excluídas:se houver ações da lista de ações da UI compatíveis que você não quer que o modelo execute, especifique essas ações em
excluded_predefined_functions
. - Funções definidas pelo usuário:além do modelo e da ferramenta de uso de computadores, talvez você queira incluir funções personalizadas definidas pelo usuário.
O exemplo de código a seguir ativa o modelo e a ferramenta de uso de computadores e envia a solicitação ao modelo:
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 model and 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-2.5-computer-use-preview-10-2025', contents=contents, config=generate_content_config, ) # Print the response output print(response.text)
Você também pode incluir funções personalizadas definidas pelo usuário para estender a funcionalidade do modelo. Consulte Usar o modelo e a ferramenta de uso do computador para casos de uso em dispositivos móveis para saber como configurar o uso do computador para casos de uso em dispositivos móveis adicionando ações como open_app
, long_press_at
e go_home
, além de excluir ações específicas do navegador.
Receber respostas
O modelo responde com um ou mais FunctionCalls
se determinar que são necessárias ações UI ou funções definidas pelo usuário para concluir a tarefa. O código do aplicativo precisa analisar e executar essas ações, além de coletar os resultados. O modelo e a ferramenta de uso de computador são compatíveis com a chamada de função paralela, ou seja, o modelo pode retornar várias ações independentes em um único 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
}
}
}
]
}
}
Dependendo da ação, a resposta da API também pode retornar um 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"
}
}
}
}
]
}
}
Executar ações recebidas
Depois de receber uma resposta, o modelo precisa executar as ações recebidas.
O código a seguir extrai chamadas de função de uma resposta do Gemini, converte coordenadas do intervalo de 0 a 1.000 para pixels reais, executa ações do navegador usando o Playwright e retorna o status de sucesso ou falha de cada ação:
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 o safety_decision
retornado for require_confirmation
, peça ao
usuário para confirmar antes de executar a ação. De acordo com os termos de serviço, não é permitido ignorar solicitações de confirmação humana.
O código a seguir adiciona lógica de segurança ao código anterior:
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 ...
Capturar o novo estado
Depois de executar as ações, envie o resultado da execução da função de volta ao modelo para que ele possa usar essas informações e gerar a próxima ação. Se várias ações (chamadas paralelas) foram executadas, envie um FunctionResponse
para cada uma delas na próxima vez que o usuário falar. Para funções definidas pelo usuário, o FunctionResponse
precisa conter o valor de retorno da função executada.
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)
Criar um loop de agente
Combine as etapas anteriores em um loop para ativar interações de várias etapas. O loop precisa processar chamadas de função paralelas. Não se esqueça de gerenciar o histórico de conversas (matriz de conteúdo) corretamente, anexando as respostas do modelo e da função.
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-2.5-computer-use-preview-10-2025', 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()
Modelo e ferramenta de uso de computador para casos de uso em dispositivos móveis
O exemplo a seguir demonstra como definir funções personalizadas (como
open_app
, long_press_at
e go_home
), combiná-las com a ferramenta de uso do computador
integrada do Gemini e excluir funções desnecessárias específicas do navegador. Ao registrar essas funções personalizadas, o modelo pode chamá-las de forma inteligente junto com ações padrão da UI para concluir tarefas em ambientes que não são navegadores.
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-2.5-computer-use-preview-10-2025",
contents=contents,
config=generate_content_config,
)
print(response)
Ações compatíveis
O modelo e a ferramenta de uso de computadores permitem que o modelo solicite as seguintes ações usando um
FunctionCall
. O código do lado do cliente precisa implementar a lógica de execução dessas ações. Confira exemplos na implementação de referência.
Nome do comando | Descrição | Argumentos (na chamada de função) | Exemplo de chamada de função |
---|---|---|---|
open_web_browser | Abre o navegador da Web. | Nenhum | {"name": "open_web_browser", "args": {}} |
wait_5_seconds | Pausa a execução por cinco segundos para permitir que o conteúdo dinâmico seja carregado ou que as animações sejam concluídas. | Nenhum | {"name": "wait_5_seconds", "args": {}} |
go_back | Navega para a página anterior no histórico do navegador. | Nenhum | {"name": "go_back", "args": {}} |
go_forward | Navega para a próxima página no histórico do navegador. | Nenhum | {"name": "go_forward", "args": {}} |
search | Navega até a página inicial do mecanismo de pesquisa padrão (por exemplo, o Google). Útil para iniciar uma nova tarefa de pesquisa. | Nenhum | {"name": "search", "args": {}} |
navigate | Navega o navegador diretamente para o URL especificado. | url : str |
{"name": "navigate", "args": {"url": "https://www.wikipedia.org"}} |
click_at | Clica em uma coordenada específica na página da Web. Os valores x e y são baseados em uma grade de 1000 x 1000 e são dimensionados para as dimensões da tela. | y : int (0-999), x : int (0-999) |
{"name": "click_at", "args": {"y": 300, "x": 500}} |
hover_at | Passa o cursor do mouse em uma coordenada específica na página da Web. Útil para revelar submenus. x e y são baseados em uma grade de 1000 x 1000. | y : int (0-999) x : int (0-999) |
{"name": "hover_at", "args": {"y": 150, "x": 250}} |
type_text_at | Digita texto em uma coordenada específica. Por padrão, limpa o campo primeiro e pressiona ENTER depois de digitar, mas isso pode ser desativado. x e y são baseados em uma grade de 1000 x 1000. | y : int (0 a 999), x : int (0 a 999), text : str, press_enter : bool (opcional, padrão é True), clear_before_typing : bool (opcional, padrão é True) |
{"name": "type_text_at", "args": {"y": 250, "x": 400, "text": "search query", "press_enter": false}} |
key_combination | Pressione teclas ou combinações de teclas, como "Control+C" ou "Enter". Útil para acionar ações (como enviar um formulário com "Enter") ou operações da área de transferência. | keys : str (por exemplo, "enter", "control+c". Consulte a referência da API para ver a lista completa de chaves permitidas. |
{"name": "key_combination", "args": {"keys": "Control+A"}} |
scroll_document | Rola toda a página da Web para "cima", "baixo", "esquerda" ou "direita". | direction : str ("up", "down", "left" ou "right") |
{"name": "scroll_document", "args": {"direction": "down"}} |
scroll_at | Rola um elemento ou área específica na coordenada (x, y) na direção especificada por uma determinada magnitude. As coordenadas e a magnitude (padrão 800) são baseadas em uma grade de 1000 x 1000. | y : int (0 a 999), x : int (0 a 999), direction : str ("up", "down", "left", "right"), magnitude : int (0 a 999, opcional, padrão 800) |
{"name": "scroll_at", "args": {"y": 500, "x": 500, "direction": "down", "magnitude": 400}} |
drag_and_drop | Arrasta um elemento de uma coordenada inicial (x, y) e o solta em uma coordenada de destino (destination_x, destination_y). Todas as coordenadas são baseadas em uma grade de 1000 x 1000. | 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}} |
Segurança e proteção
Esta seção descreve as proteções que o modelo e a ferramenta de uso de computadores têm para melhorar o controle do usuário e a segurança. Ele também descreve as práticas recomendadas para reduzir possíveis novos riscos que a ferramenta possa apresentar.
Confirmar decisão de segurança
Dependendo da ação, a resposta do modelo e da ferramenta de uso do computador pode incluir uma safety_decision
de um sistema de segurança interno. Essa decisão verifica a ação proposta pela ferramenta para segurança.
{
"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 o safety_decision
for require_confirmation
, você precisa pedir ao usuário final para confirmar antes de executar a ação.
O exemplo de código a seguir pede confirmação ao usuário antes de executar a
ação. Se o usuário não confirmar a ação, o loop será encerrado. Se o usuário
confirmar a ação, ela será executada e o campo safety_acknowledgement
será marcado como 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 o usuário confirmar, inclua a confirmação de segurança no seu 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
)
)
]
)
)
Práticas recomendadas de segurança
O modelo e a ferramenta de uso de computadores são novidades e apresentam novos riscos que os desenvolvedores precisam conhecer:
- Conteúdo não confiável e golpes:ao tentar alcançar a meta do usuário, o modelo pode usar fontes de informações e instruções não confiáveis na tela. Por exemplo, se o objetivo do usuário for comprar um smartphone Pixel e o modelo encontrar um golpe de "Pixel grátis se você responder a uma pesquisa", há alguma chance de que o modelo responda à pesquisa.
- Ações ocasionais não intencionais:o modelo pode interpretar mal a meta de um usuário ou o conteúdo de uma página da Web, fazendo com que ele realize ações incorretas, como clicar no botão errado ou preencher o formulário errado. Isso pode levar a falhas nas tarefas ou exfiltração de dados.
- Violações da política:os recursos da API podem ser direcionados, intencionalmente ou não, a atividades que violam as políticas do Google (Política de uso proibido da IA generativa e Termos de Serviço adicionais da API Gemini). Isso inclui ações que podem interferir na integridade de um sistema, comprometer a segurança, burlar medidas de segurança, como CAPTCHAs, controlar dispositivos médicos etc.
Para lidar com esses riscos, implemente as seguintes medidas de segurança e práticas recomendadas:
- Human-in-the-loop (HITL):
- Implemente a confirmação do usuário:quando a resposta de segurança indicar require_confirmation, implemente a confirmação do usuário antes da execução.
- Fornecer instruções de segurança personalizadas:além das verificações de confirmação do usuário integradas, os desenvolvedores podem adicionar uma instrução de sistema personalizada que aplique as próprias políticas de segurança, seja para bloquear determinadas ações do modelo ou exigir a confirmação do usuário antes que o modelo execute determinadas ações irreversíveis de alto risco. Confira um exemplo de instrução de sistema de segurança personalizada que você pode incluir ao interagir com o modelo.
Clique para conferir um exemplo de como criar uma conexão
## **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
- Ambiente de execução seguro:execute o agente em um ambiente seguro e em sandbox para limitar o impacto potencial dele. Por exemplo, uma máquina virtual (VM) em sandbox, um contêiner (como o Docker) ou um perfil de navegador dedicado com permissões limitadas.
- Higienização de entrada:higienize todo o texto gerado pelo usuário nos comandos para reduzir o risco de instruções não intencionais ou injeção de comandos. Essa é uma camada útil de segurança, mas não substitui um ambiente de execução seguro.
- Listas de permissões e de bloqueio:implemente mecanismos de filtragem para controlar onde o modelo pode navegar e o que ele pode fazer. Uma lista de bloqueio de sites proibidos é um bom ponto de partida, mas uma lista de permissões mais restritiva é ainda mais segura.
- Observabilidade e geração de registros:mantenha registros detalhados para depuração, auditoria e resposta a incidentes. O cliente precisa registrar solicitações,
capturas de tela, ações sugeridas pelo modelo (
function_call
), respostas de segurança e todas as ações executadas pelo cliente.
Preços
O modelo e a ferramenta de uso do computador têm os mesmos preços do Gemini 2.5 Pro e usam as mesmas SKUs. Para dividir os custos do modelo de uso de computador e da ferramenta, use rótulos de metadados personalizados. Para mais informações sobre como usar rótulos de metadados personalizados para monitorar custos, consulte Rótulos de metadados personalizados.