Herramienta de uso de computadora

​

Descripción general

• Captura de pantalla: Ver lo que se muestra actualmente en pantalla
• Control del mouse: Hacer clic, arrastrar y mover el cursor
• Entrada de teclado: Escribir texto y usar atajos de teclado
• Automatización del escritorio: Interactuar con cualquier aplicación o interfaz

​

Compatibilidad de modelos

​

Consideraciones de seguridad

​

Inicio rápido

import anthropic

client = anthropic.Anthropic()

response = client.beta.messages.create(
    model="claude-sonnet-4-20250514",  # o otro modelo compatible
    max_tokens=1024,
    tools=[
        {
          "type": "computer_20250124",
          "name": "computer",
          "display_width_px": 1024,
          "display_height_px": 768,
          "display_number": 1,
        },
        {
          "type": "text_editor_20250124",
          "name": "str_replace_editor"
        },
        {
          "type": "bash_20250124",
          "name": "bash"
        }
    ],
    messages=[{"role": "user", "content": "Guarda una imagen de un gato en mi escritorio."}],
    betas=["computer-use-2025-01-24"]
)
print(response)

​

Cómo funciona el uso de computadora

​

El entorno informático

1. Pantalla virtual: Un servidor de pantalla virtual X11 (usando Xvfb) que renderiza la interfaz del escritorio que Claude verá a través de capturas de pantalla y controlará con acciones de mouse/teclado.
2. Entorno de escritorio: Una interfaz de usuario ligera con administrador de ventanas (Mutter) y panel (Tint2) ejecutándose en Linux, que proporciona una interfaz gráfica consistente para que Claude interactúe.
3. Aplicaciones: Aplicaciones de Linux preinstaladas como Firefox, LibreOffice, editores de texto y administradores de archivos que Claude puede usar para completar tareas.
4. Implementaciones de herramientas: Código de integración que traduce las solicitudes abstractas de herramientas de Claude (como “mover mouse” o “tomar captura de pantalla”) en operaciones reales en el entorno virtual.
5. Bucle del agente: Un programa que maneja la comunicación entre Claude y el entorno, enviando las acciones de Claude al entorno y devolviendo los resultados (capturas de pantalla, salidas de comandos) de vuelta a Claude.

1. Recibe las solicitudes de uso de herramientas de Claude
2. Las traduce en acciones en su entorno informático
3. Captura los resultados (capturas de pantalla, salidas de comandos, etc.)
4. Devuelve estos resultados a Claude

​

Cómo implementar el uso de computadora

​

Comience con nuestra implementación de referencia

• Un entorno en contenedor adecuado para el uso de computadora con Claude
• Implementaciones de las herramientas de uso de computadora
• Un bucle del agente que interactúa con la API de Anthropic y ejecuta las herramientas de uso de computadora
• Una interfaz web para interactuar con el contenedor, bucle del agente y herramientas.

​

Entendiendo el bucle multi-agente

async def sampling_loop(
    *,
    model: str,
    messages: list[dict],
    api_key: str,
    max_tokens: int = 4096,
    tool_version: str,
    thinking_budget: int | None = None,
    max_iterations: int = 10,  # Agregar límite de iteración para prevenir bucles infinitos
):
    """
    Un bucle de agente simple para interacciones de uso de computadora de Claude.

    Esta función maneja el intercambio entre:
    1. Enviar mensajes del usuario a Claude
    2. Claude solicitando usar herramientas
    3. Su aplicación ejecutando esas herramientas
    4. Enviar resultados de herramientas de vuelta a Claude
    """
    # Configurar herramientas y parámetros de API
    client = Anthropic(api_key=api_key)
    beta_flag = "computer-use-2025-01-24" if "20250124" in tool_version else "computer-use-2024-10-22"

    # Configurar herramientas - ya debería tenerlas inicializadas en otro lugar
    tools = [
        {"type": f"computer_{tool_version}", "name": "computer", "display_width_px": 1024, "display_height_px": 768},
        {"type": f"text_editor_{tool_version}", "name": "str_replace_editor"},
        {"type": f"bash_{tool_version}", "name": "bash"}
    ]

    # Bucle principal del agente (con límite de iteración para prevenir costos de API descontrolados)
    iterations = 0
    while True and iterations < max_iterations:
        iterations += 1
        # Configurar parámetro de pensamiento opcional (para Claude Sonnet 3.7)
        thinking = None
        if thinking_budget:
            thinking = {"type": "enabled", "budget_tokens": thinking_budget}

        # Llamar a la API de Claude
        response = client.beta.messages.create(
            model=model,
            max_tokens=max_tokens,
            messages=messages,
            tools=tools,
            betas=[beta_flag],
            thinking=thinking
        )

        # Agregar la respuesta de Claude al historial de conversación
        response_content = response.content
        messages.append({"role": "assistant", "content": response_content})

        # Verificar si Claude usó alguna herramienta
        tool_results = []
        for block in response_content:
            if block.type == "tool_use":
                # En una aplicación real, ejecutaría la herramienta aquí
                # Por ejemplo: result = run_tool(block.name, block.input)
                result = {"result": "Herramienta ejecutada exitosamente"}

                # Formatear el resultado para Claude
                tool_results.append({
                    "type": "tool_result",
                    "tool_use_id": block.id,
                    "content": result
                })

        # Si no se usaron herramientas, Claude ha terminado - devolver los mensajes finales
        if not tool_results:
            return messages

        # Agregar resultados de herramientas a mensajes para la siguiente iteración con Claude
        messages.append({"role": "user", "content": tool_results})

​

Optimizar el rendimiento del modelo con prompting

1. Especifique tareas simples y bien definidas y proporcione instrucciones explícitas para cada paso.
2. Claude a veces asume resultados de sus acciones sin verificar explícitamente sus resultados. Para prevenir esto puede hacer prompt a Claude con Después de cada paso, toma una captura de pantalla y evalúa cuidadosamente si has logrado el resultado correcto. Muestra explícitamente tu pensamiento: "He evaluado el paso X..." Si no es correcto, inténtalo de nuevo. Solo cuando confirmes que un paso fue ejecutado correctamente debes pasar al siguiente.
3. Algunos elementos de UI (como menús desplegables y barras de desplazamiento) podrían ser difíciles para Claude de manipular usando movimientos del mouse. Si experimenta esto, trate de hacer prompt al modelo para usar atajos de teclado.
4. Para tareas repetibles o interacciones de UI, incluya capturas de pantalla de ejemplo y llamadas de herramientas de resultados exitosos en su prompt.
5. Si necesita que el modelo inicie sesión, proporciónele el nombre de usuario y contraseña en su prompt dentro de etiquetas xml como <robot_credentials>. Usar el uso de computadora dentro de aplicaciones que requieren inicio de sesión aumenta el riesgo de malos resultados como resultado de inyección de prompts. Por favor revise nuestra guía sobre mitigar inyecciones de prompts antes de proporcionar al modelo credenciales de inicio de sesión.

​

Prompts del sistema

Tienes acceso a un conjunto de funciones que puedes usar para responder la pregunta del usuario. Esto incluye acceso a un entorno informático aislado. Actualmente NO tienes la capacidad de inspeccionar archivos o interactuar con recursos externos, excepto invocando las funciones de abajo.

​

Acciones disponibles

• screenshot - Capturar la pantalla actual
• left_click - Hacer clic en coordenadas [x, y]
• type - Escribir cadena de texto
• key - Presionar tecla o combinación de teclas (ej., “ctrl+s”)
• mouse_move - Mover cursor a coordenadas

• scroll - Desplazarse en cualquier dirección con control de cantidad
• left_click_drag - Hacer clic y arrastrar entre coordenadas
• right_click, middle_click - Botones adicionales del mouse
• double_click, triple_click - Múltiples clics
• left_mouse_down, left_mouse_up - Control de clic de grano fino
• hold_key - Mantener una tecla mientras se realizan otras acciones
• wait - Pausar entre acciones

​

Parámetros de herramienta

​

Habilitar capacidad de pensamiento en modelos Claude 4 y Claude Sonnet 3.7

"thinking": {
  "type": "enabled",
  "budget_tokens": 1024
}

1. Entender el proceso de toma de decisiones del modelo
2. Identificar problemas potenciales o conceptos erróneos
3. Aprender del enfoque de Claude para resolver problemas
4. Obtener más visibilidad en operaciones complejas de múltiples pasos

[Pensando]
Necesito guardar una imagen de un gato en el escritorio. Déjame dividir esto en pasos:

1. Primero, tomaré una captura de pantalla para ver qué hay en el escritorio
2. Luego buscaré un navegador web para buscar imágenes de gatos
3. Después de encontrar una imagen adecuada, necesitaré guardarla en el escritorio

Déjame comenzar tomando una captura de pantalla para ver qué está disponible...

​

Aumentar el uso de computadora con otras herramientas

• Ejecutar comandos del sistema (herramienta bash)
• Editar archivos de configuración o scripts (herramienta editor de texto)
• Integrar con APIs personalizadas o servicios (herramientas personalizadas)

curl https://api.anthropic.com/v1/messages \
  -H "content-type: application/json" \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "anthropic-beta: computer-use-2025-01-24" \
  -d '{
    "model": "claude-opus-4-1-20250805",
    "max_tokens": 2000,
    "tools": [
      {
        "type": "computer_20250124",
        "name": "computer",
        "display_width_px": 1024,
        "display_height_px": 768,
        "display_number": 1
      },
      {
        "type": "text_editor_20250124",
        "name": "str_replace_editor"
      },
      {
        "type": "bash_20250124",
        "name": "bash"
      },
      {
        "name": "get_weather",
        "description": "Obtener el clima actual en una ubicación dada",
        "input_schema": {
          "type": "object",
          "properties": {
            "location": {
              "type": "string",
              "description": "La ciudad y estado, ej. San Francisco, CA"
            },
            "unit": {
              "type": "string",
              "enum": ["celsius", "fahrenheit"],
              "description": "La unidad de temperatura, ya sea 'celsius' o 'fahrenheit'"
            }
          },
          "required": ["location"]
        }
      }
    ],
    "messages": [
      {
        "role": "user",
        "content": "Encuentra vuelos de San Francisco a un lugar con clima más cálido."
      }
    ],
    "thinking": {
      "type": "enabled",
      "budget_tokens": 1024
    }
  }'

​

Construir un entorno personalizado de uso de computadora

• Un entorno virtualizado o en contenedor adecuado para el uso de computadora con Claude
• Una implementación de al menos una de las herramientas de uso de computadora definidas por Anthropic
• Un bucle de agente que interactúe con la API de Anthropic y ejecute los resultados de tool_use usando sus implementaciones de herramientas
• Una API o UI que permita entrada del usuario para iniciar el bucle del agente

​

Implementar la herramienta de uso de computadora

def handle_computer_action(action_type, params):
    if action_type == "screenshot":
        return capture_screenshot()
    elif action_type == "left_click":
        x, y = params["coordinate"]
        return click_at(x, y)
    elif action_type == "type":
        return type_text(params["text"])
    # ... manejar otras acciones

for content in response.content:
    if content.type == "tool_use":
        action = content.input["action"]
        result = handle_computer_action(action, content.input)
        
        # Devolver resultado a Claude
        tool_result = {
            "type": "tool_result",
            "tool_use_id": content.id,
            "content": result
        }

while True:
    response = client.beta.messages.create(...)
    
    # Verificar si Claude usó alguna herramienta
    tool_results = process_tool_calls(response)
    
    if not tool_results:
        # No más uso de herramientas, tarea completa
        break
        
    # Continuar conversación con resultados de herramientas
    messages.append({"role": "user", "content": tool_results})

​

Manejar errores

​

Seguir mejores prácticas de implementación

​

Entender las limitaciones del uso de computadora

1. Latencia: la latencia actual del uso de computadora para interacciones humano-IA puede ser demasiado lenta comparada con acciones regulares de computadora dirigidas por humanos. Recomendamos enfocarse en casos de uso donde la velocidad no es crítica (ej., recopilación de información en segundo plano, pruebas automatizadas de software) en entornos confiables.
2. Precisión y confiabilidad de visión por computadora: Claude puede cometer errores o alucinar al generar coordenadas específicas mientras genera acciones. Claude Sonnet 3.7 introduce la capacidad de pensamiento que puede ayudarle a entender el razonamiento del modelo e identificar problemas potenciales.
3. Precisión y confiabilidad de selección de herramientas: Claude puede cometer errores o alucinar al seleccionar herramientas mientras genera acciones o tomar acciones inesperadas para resolver problemas. Adicionalmente, la confiabilidad puede ser menor al interactuar con aplicaciones de nicho o múltiples aplicaciones a la vez. Recomendamos que los usuarios hagan prompt al modelo cuidadosamente al solicitar tareas complejas.
4. Confiabilidad de desplazamiento: Mientras que Claude Sonnet 3.5 v2 (obsoleto) tenía limitaciones con el desplazamiento, Claude Sonnet 3.7 introduce acciones de desplazamiento dedicadas con control de dirección que mejora la confiabilidad. El modelo ahora puede desplazarse explícitamente en cualquier dirección (arriba/abajo/izquierda/derecha) por una cantidad especificada.
5. Interacción con hojas de cálculo: Los clics del mouse para interacción con hojas de cálculo han mejorado en Claude Sonnet 3.7 con la adición de acciones de control del mouse más precisas como left_mouse_down, left_mouse_up, y nuevo soporte de teclas modificadoras. La selección de celdas puede ser más confiable usando estos controles de grano fino y combinando teclas modificadoras con clics.
6. Creación de cuentas y generación de contenido en plataformas sociales y de comunicaciones: Aunque Claude visitará sitios web, estamos limitando su capacidad para crear cuentas o generar y compartir contenido o de otra manera participar en suplantación humana a través de sitios web y plataformas de redes sociales. Podemos actualizar esta capacidad en el futuro.
7. Vulnerabilidades: Las vulnerabilidades como jailbreaking o inyección de prompts pueden persistir a través de sistemas de IA de frontera, incluyendo la API beta de uso de computadora. En algunas circunstancias, Claude seguirá comandos encontrados en el contenido, a veces incluso en conflicto con las instrucciones del usuario. Por ejemplo, las instrucciones de Claude en páginas web o contenidas en imágenes pueden anular instrucciones o causar que Claude cometa errores. Recomendamos: a. Limitar el uso de computadora a entornos confiables como máquinas virtuales o contenedores con privilegios mínimos b. Evitar dar acceso de uso de computadora a cuentas o datos sensibles sin supervisión estricta c. Informar a los usuarios finales de riesgos relevantes y obtener su consentimiento antes de habilitar o solicitar permisos necesarios para características de uso de computadora en sus aplicaciones
8. Acciones inapropiadas o ilegales: Según los términos de servicio de Anthropic, no debe emplear el uso de computadora para violar ninguna ley o nuestra Política de Uso Aceptable.

​

Precios

• Screenshot images (see Vision pricing)
• Tool execution results returned to Claude

​

Próximos pasos