コンピューター使用ツール

Claudeは、コンピューター使用ツールを通じてコンピューター環境と対話できます。このツールは、スクリーンショット機能とマウス/キーボード制御を提供し、自律的なデスクトップ操作を可能にします。

​

概要

コンピューター使用は、Claudeがデスクトップ環境と対話できるベータ機能です。このツールは以下を提供します：

• スクリーンショット取得: 現在画面に表示されている内容を確認
• マウス制御: クリック、ドラッグ、カーソル移動
• キーボード入力: テキスト入力とキーボードショートカット
• デスクトップ自動化: あらゆるアプリケーションやインターフェースとの対話

コンピューター使用は、より包括的な自動化ワークフローのためにbashやテキストエディターなどの他のツールと組み合わせることができますが、コンピューター使用は特にコンピューター使用ツールのデスクトップ環境を見て制御する機能を指します。

​

モデル互換性

コンピューター使用は以下のClaudeモデルで利用可能です：

​

セキュリティに関する考慮事項

​

クイックスタート

コンピューター使用を開始する方法は以下の通りです：

import anthropic

client = anthropic.Anthropic()

response = client.beta.messages.create(
    model="claude-sonnet-4-20250514",  # または他の互換モデル
    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": "猫の写真をデスクトップに保存してください。"}],
    betas=["computer-use-2025-01-24"]
)
print(response)

​

コンピューター使用の仕組み

ユーザー入力なしでのステップ3と4の繰り返しを「エージェントループ」と呼びます - つまり、Claudeがツール使用リクエストで応答し、あなたのアプリケーションがそのリクエストを評価した結果でClaudeに応答することです。

​

コンピューティング環境

コンピューター使用には、Claudeがアプリケーションやウェブと安全に対話できるサンドボックス化されたコンピューティング環境が必要です。この環境には以下が含まれます：

1. 仮想ディスプレイ: Claudeがスクリーンショットを通じて見て、マウス/キーボードアクションで制御するデスクトップインターフェースをレンダリングする仮想X11ディスプレイサーバー（Xvfbを使用）。

2. デスクトップ環境: Linux上で動作するウィンドウマネージャー（Mutter）とパネル（Tint2）を備えた軽量UI。Claudeが対話するための一貫したグラフィカルインターフェースを提供します。

3. アプリケーション: Firefox、LibreOffice、テキストエディター、ファイルマネージャーなど、Claudeがタスクを完了するために使用できる事前インストールされたLinuxアプリケーション。

4. ツール実装: Claudeの抽象的なツールリクエスト（「マウス移動」や「スクリーンショット取得」など）を仮想環境での実際の操作に変換する統合コード。

5. エージェントループ: Claudeと環境間の通信を処理し、Claudeのアクションを環境に送信し、結果（スクリーンショット、コマンド出力など）をClaudeに返すプログラム。

コンピューター使用を使用する際、Claudeはこの環境に直接接続しません。代わりに、あなたのアプリケーションが：

1. Claudeのツール使用リクエストを受信
2. それらをコンピューティング環境でのアクションに変換
3. 結果（スクリーンショット、コマンド出力など）を取得
4. これらの結果をClaudeに返す

セキュリティと隔離のため、リファレンス実装では、環境の表示と対話のための適切なポートマッピングを持つDockerコンテナ内ですべてを実行します。

​

コンピューター使用の実装方法

​

リファレンス実装から始める

コンピューター使用を素早く開始するために必要なすべてを含むリファレンス実装を構築しました：

• Claudeでのコンピューター使用に適したコンテナ化された環境
• コンピューター使用ツールの実装
• Anthropic APIと対話し、コンピューター使用ツールを実行するエージェントループ
• コンテナ、エージェントループ、ツールと対話するためのウェブインターフェース。

​

マルチエージェントループの理解

コンピューター使用の核心は「エージェントループ」です - Claudeがツールアクションをリクエストし、あなたのアプリケーションがそれらを実行し、結果をClaudeに返すサイクルです。以下は簡略化された例です：

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,  # 無限ループを防ぐための反復制限を追加
):
    """
    Claude コンピューター使用インタラクションのためのシンプルなエージェントループ。

    この関数は以下の間のやり取りを処理します：
    1. ユーザーメッセージをClaudeに送信
    2. Claudeがツールの使用をリクエスト
    3. あなたのアプリがそれらのツールを実行
    4. ツール結果をClaudeに送信
    """
    # ツールとAPIパラメータを設定
    client = Anthropic(api_key=api_key)
    beta_flag = "computer-use-2025-01-24" if "20250124" in tool_version else "computer-use-2024-10-22"

    # ツールを設定 - これらは他の場所で既に初期化されているはずです
    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"}
    ]

    # メインエージェントループ（暴走APIコストを防ぐための反復制限付き）
    iterations = 0
    while True and iterations < max_iterations:
        iterations += 1
        # オプションの思考パラメータを設定（Claude Sonnet 3.7用）
        thinking = None
        if thinking_budget:
            thinking = {"type": "enabled", "budget_tokens": thinking_budget}

        # Claude APIを呼び出し
        response = client.beta.messages.create(
            model=model,
            max_tokens=max_tokens,
            messages=messages,
            tools=tools,
            betas=[beta_flag],
            thinking=thinking
        )

        # Claudeの応答を会話履歴に追加
        response_content = response.content
        messages.append({"role": "assistant", "content": response_content})

        # Claudeがツールを使用したかチェック
        tool_results = []
        for block in response_content:
            if block.type == "tool_use":
                # 実際のアプリでは、ここでツールを実行します
                # 例：result = run_tool(block.name, block.input)
                result = {"result": "ツールが正常に実行されました"}

                # Claude用に結果をフォーマット
                tool_results.append({
                    "type": "tool_result",
                    "tool_use_id": block.id,
                    "content": result
                })

        # ツールが使用されなかった場合、Claudeは完了 - 最終メッセージを返す
        if not tool_results:
            return messages

        # Claudeとの次の反復のためにツール結果をメッセージに追加
        messages.append({"role": "user", "content": tool_results})

ループは、Claudeがツールをリクエストせずに応答する（タスク完了）か、最大反復制限に達するまで続きます。この安全装置は、予期しないAPIコストを引き起こす可能性のある無限ループを防ぎます。

このドキュメントの残りを読む前に、リファレンス実装を試すことをお勧めします。

​

プロンプトでモデルパフォーマンスを最適化

最高品質の出力を得るためのヒントをいくつか紹介します：

1. シンプルで明確に定義されたタスクを指定し、各ステップに対して明示的な指示を提供する。
2. Claudeは時々、結果を明示的にチェックせずにアク ションの結果を仮定することがあります。これを防ぐために、各ステップの後、スクリーンショットを撮り、正しい結果を達成したかどうかを慎重に評価してください。あなたの思考を明示的に示してください：「ステップXを評価しました...」正しくない場合は、再試行してください。ステップが正しく実行されたことを確認した場合のみ、次のステップに進んでください。とClaudeにプロンプトできます。
3. 一部のUI要素（ドロップダウンやスクロールバーなど）は、マウス移動を使用してClaudeが操作するのが難しい場合があります。これを経験した場合は、キーボードショートカットを使用するようにモデルにプロンプトしてみてください。
4. 繰り返し可能なタスクやUI操作については、プロンプトに成功した結果のサンプルスクリーンショットとツール呼び出しを含めてください。
5. モデルにログインが必要な場合は、<robot_credentials>のようなxmlタグ内でプロンプトにユーザー名とパスワードを提供してください。ログインが必要なアプリケーション内でコンピューター使用を使用すると、プロンプトインジェクションの結果として悪い結果のリスクが高まります。モデルにログイン認証情報を提供する前に、プロンプトインジェクションの軽減に関するガイドを確認してください。

​

システムプロンプト

Anthropic定義のツールの1つがAnthropic API経由でリクエストされると、コンピューター使用固有のシステムプロンプトが生成されます。これはツール使用システムプロンプトに似ていますが、以下で始まります：

あなたは、ユーザーの質問に答えるために使用できる一連の関数にアクセスできます。これには、サンドボックス化されたコンピューティング環境へのアクセスが含まれます。現在、以下の関数を呼び出すことを除いて、ファイルを検査したり外部リソースと対話したりする能力はありません。

通常のツール使用と同様に、ユーザー提供のsystem_promptフィールドは引き続き尊重され、結合されたシステムプロンプトの構築に使用されます。

​

利用可能なアクション

コンピューター使用ツールは以下のアクションをサポートします：

基本アクション（すべてのバージョン）

• screenshot - 現在のディスプレイをキャプチャ
• left_click - 座標[x, y]でクリック
• type - テキスト文字列を入力
• key - キーまたはキーの組み合わせを押す（例：“ctrl+s”）
• mouse_move - カーソルを座標に移動

拡張アクション（computer_20250124） Claude 4とClaude Sonnet 3.7で利用可能：

• scroll - 量制御付きで任意の方向にスクロール
• left_click_drag - 座標間でクリックアンドドラッグ
• right_click、middle_click - 追加のマウスボタン
• double_click、triple_click - 複数クリック
• left_mouse_down、left_mouse_up - 細かいクリック制御
• hold_key - 他のアクションを実行しながらキーを保持
• wait - アクション間で一時停止

​

ツールパラメータ

​

Claude 4とClaude Sonnet 3.7で思考機能を有効にする

Claude Sonnet 3.7は、複雑なタスクを処理する際にモデルの推論プロセスを見ることができる新しい「思考」機能を導入しました。この機能は、Claudeが問題にどのようにアプローチしているかを理解するのに役立ち、デバッグや教育目的で特に価値があります。

思考を有効にするには、APIリクエストにthinkingパラメータを追加します：

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

budget_tokensパラメータは、Claudeが思考に使用できるトークン数を指定します。これは全体のmax_tokens予算から差し引かれます。

思考が有効になると、Claudeは推論プロセスを応答の一部として返し、以下に役立ちます：

1. モデルの意思決定プロセスを理解
2. 潜在的な問題や誤解を特定
3. Claudeの問題解決アプローチから学習
4. 複雑な多段階操作により多くの可視性を得る

思考出力の例は以下のようになります：

[思考]
猫の写真をデスクトップに保存する必要があります。これを段階に分けてみましょう：

1. まず、スクリーンショットを撮ってデスクトップに何があるかを確認します
2. 次に、猫の画像を検索するためのウェブブラウザを探します
3. 適切な画像を見つけた後、デスクトップに保存する必要があります

スクリーンショットを撮って何が利用可能かを確認することから始めましょう...

​

他のツールでコンピューター使用を拡張

コンピューター使用ツールは他のツールと組み合わせて、より強力な自動化ワークフローを作成できます。これは以下が必要な場合に特に有用です：

• システムコマンドを実行（bashツール）
• 設定ファイルやスクリプトを編集（テキストエディターツール）
• カスタムAPIやサービスと統合（カスタムツール）

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-4-20250514",
    "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": "指定された場所の現在の天気を取得",
        "input_schema": {
          "type": "object",
          "properties": {
            "location": {
              "type": "string",
              "description": "都市と州、例：San Francisco, CA"
            },
            "unit": {
              "type": "string",
              "enum": ["celsius", "fahrenheit"],
              "description": "温度の単位、'celsius'または'fahrenheit'"
            }
          },
          "required": ["location"]
        }
      }
    ],
    "messages": [
      {
        "role": "user",
        "content": "サンフランシスコから暖かい天気の場所への航空券を探してください。"
      }
    ],
    "thinking": {
      "type": "enabled",
      "budget_tokens": 1024
    }
  }'

​

カスタムコンピューター使用環境を構築

リファレンス実装は、コンピューター使用を開始するのに役立つように作られています。Claudeがコンピューターを使用するために必要なすべてのコンポーネントが含まれています。ただし、ニーズに合わせて独自のコンピューター使用環境を構築できます。以下が必要です：

• Claudeでのコンピューター使用に適した仮想化またはコンテナ化された環境
• Anthropic定義のコンピューター使用ツールの少なくとも1つの実装
• Anthropic APIと対話し、ツール実装を使用してtool_use結果を実行するエージェントループ
• エージェントループを開始するためのユーザー入力を許可するAPIまたはUI

​

コンピューター使用ツールを実装

コンピューター使用ツールは、スキーマレスツールとして実装されます。このツールを使用する際、他のツールのように入力スキーマを提供する必要はありません。スキーマはClaudeのモデルに組み込まれており、変更できません。

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"])
    # ... 他のアクションを処理

for content in response.content:
    if content.type == "tool_use":
        action = content.input["action"]
        result = handle_computer_action(action, content.input)
        
        # 結果をClaudeに返す
        tool_result = {
            "type": "tool_result",
            "tool_use_id": content.id,
            "content": result
        }

while True:
    response = client.beta.messages.create(...)
    
    # Claudeがツールを使用したかチェック
    tool_results = process_tool_calls(response)
    
    if not tool_results:
        # ツール使用なし、タスク完了
        break
        
    # ツール結果で会話を続ける
    messages.append({"role": "user", "content": tool_results})

​

エラーを処理

コンピューター使用ツールを実装する際、さまざまなエラーが発生する可能性があります。以下はそれらの処理方法です：

​

実装のベストプラクティスに従う

​

コンピューター使用の制限を理解

コンピューター使用機能はベータ版です。Claudeの機能は最先端ですが、開発者はその制限を認識する必要があります：

1. レイテンシ: 現在のコンピューター使用レイテンシは、人間とAIの相互作用において、通常の人間主導のコンピューターアクションと比較して遅すぎる可能性があります。信頼できる環境でスピードが重要でないユースケース（例：バックグラウンド情報収集、自動化されたソフトウェアテスト）に焦点を当てることをお勧めします。
2. コンピュータービジョンの精度と信頼性: Claudeはアクションを生成する際に特定の座標を出力する際にミスをしたり幻覚を起こしたりする可能性があります。Claude Sonnet 3.7は、モデルの推論を理解し、潜在的な問題を特定するのに役立つ思考機能を導入しています。
3. ツール選択の精度と信頼性: Claudeはアクションを生成する際にツールを選択する際にミスをしたり幻覚を起こしたり、問題を解決するために予期しないアクションを取ったりする可能性があります。さらに、ニッチなアプリケーションや複数のアプリケーションを同時に操作する際に信頼性が低下する可能性があります。複雑なタスクをリクエストする際は、ユーザーがモデルを慎重にプロンプトすることをお勧めします。
4. スクロールの信頼性: Claude Sonnet 3.5（新）にはスクロールの制限がありましたが、Claude Sonnet 3.7は方向制御付きの専用スクロールアクションを導入し、信頼性を向上させています。モデルは指定された量だけ任意の方向（上/下/左/右）に明示的にスクロールできるようになりました。
5. スプレッドシート操作: スプレッドシート操作のためのマウスクリックは、left_mouse_down、left_mouse_up、新しい修飾キーサポートなど、より精密なマウス制御アクションの追加により、Claude Sonnet 3.7で改善されました。これらの細かい制御を使用し、修飾キーとクリックを組み合わせることで、セル選択がより信頼できるようになります。
6. ソーシャルおよびコミュニケーションプラットフォームでのアカウント作成とコンテンツ生成: Claudeはウェブサイトを訪問しますが、ソーシャルメディアウェブサイトやプラットフォーム全体でアカウントを作成したり、コンテンツを生成・共有したり、その他の人間のなりすましに従事したりする能力を制限しています。将来的にこの機能を更新する可能性があります。
7. 脆弱性: ジェイルブレイクやプロンプトインジェクションなどの脆弱性は、ベータコンピューター使用APIを含むフロンティアAIシステム全体で持続する可能性があります。状況によっては、Claudeはコンテンツ内で見つけたコマンドに従い、時にはユーザーの指示と矛盾することもあります。例えば、ウェブページ上のClaude指示や画像に含まれる指示が、指示を上書きしたり、Claudeにミスを犯させたりする可能性があります。以下をお勧めします： a. 最小限の権限を持つ仮想マシンやコンテナなどの信頼できる環境にコンピューター使用を制限する b. 厳格な監視なしに機密アカウントやデータへのコンピューター使用アクセスを与えない c. アプリケーションでコンピューター使用機能を有効にしたり、必要な権限をリクエストしたりする前に、エンドユーザーに関連するリスクを通知し、同意を得る
8. 不適切または違法な行動: Anthropicの利用規約に従い、法律や当社の利用規約に違反するためにコンピューター使用を使用してはいけません。

Claudeのコンピューター使用アクションとログを常に慎重に確認・検証してください。人間の監視なしに完璧な精度や機密ユーザー情報を必要とするタスクにClaudeを使用しないでください。

​

価格

Computer use follows the standard tool use pricing. When using the computer use tool:

System prompt overhead: The computer use beta adds 466-499 tokens to the system prompt

Computer use tool token usage:

Additional token consumption:

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

​

次のステップ