Mag-set up ng browser task sa Agents API gamit ang computer use ng OpenAI

Noong Setyembre 29, sa buod ng DevDay, inihayag ng OpenAI ang computer use sa Agents API. Inilalahad ng aming gabay sa paglulunsad ng DevDay ang mas malawak na release. Mas limitado ang agarang gawain ng developer kaysa sa isang pangkalahatang browser agent: magbukas ng pampublikong page, kumuha ng tiyak na sagot, at itala kung ano ang na-access ng browser. Ipinapaliwanag ng OpenAI sa gabay sa paggamit ng computer, na sinuri noong Setyembre 30, ang prosesong ito sa pamamagitan ng naka-host na browser session. Sinuri ng BIG CHANGE ang dokumentasyon pero hindi pinatakbo ang API.

Ginagawa ng application ang session, nagpapadala ng input, sumusubaybay sa mga event, ipinapakita sa user ang mga kahilingan sa website origin, sinusuri ang sagot, at naglilinis. Maaaring patakbuhin ng agent ang browser sa naka-host na environment. Hindi pinatutunayan ng pagtatapos ng isang turn na tama ang hiniling na impormasyon.

Ang malaking pagbabago

Nagbibigay sa mga developer ang bagong computer-use flow ng OpenAI Agents API ng naka-host na browser session na may event stream, mga pasya ng user tungkol sa website origin, mga tala ng aktibidad ng browser, at paglilinis sa pamamagitan ng API. Para sa limitadong gawain sa pampublikong page, dapat tahasang hawakan ng integration ang mga yugtong ito at tiyakin ang ibinalik na pamagat at URL. Magkakaibang obserbasyon ang access sa origin, pagtatapos ng turn, at kawastuhan ng sagot.

Magsimula sa API key at browser session

Hinihingi ng gabay sa mabilis na pagsisimula ng Agents API ng OpenAI ang application API key sa isang OpenAI Platform project. Tinutukoy nito ang api.agents.read at api.agents.write para sa mga session operation, at api.responses.write para sa model inference. I-export ang key bilang OPENAI_API_KEY sa environment ng application at panatilihin ito sa labas ng sandbox ng agent. Gumamit ng kasalukuyang OpenAI SDK na tugma sa beta Agents API; ginagamit ng JavaScript walkthrough sa gabay sa computer use ang openai at prompt-sync. Nangangailangan ang alternatibong cURL ng Bash, jq, at tahasang header na OpenAI-Beta: agents=v1.

Inilalagay ng dokumentadong configuration ng session ang { "type": "computer_use" } sa agent.tools, itinatakda ang environment.type sa openai_hosted, at ine-enable ang environment.desktop.enabled. Ine-enable rin ng halimbawa para sa pampublikong page ang network access at itinatakda ang include_screenshots: true sa tool. Nagbabalik ang paggawa ng session ng ID para sa mga susunod na kahilingan ng event at item; hindi nito sinisimulan ang browser task. Itago ang ID bago magpatuloy. Ipinapahanap sa agent ng halimbawa sa gabay ang Agents API quickstart at ipinapabalik ang pamagat at URL ng page nito, nang hindi nagsa-sign in o nagbabago ng data sa website.

Subaybayan ang task at magpasya kung aling mga site ang maaabot nito

Buksan ang event stream ng session bago ipadala ang input ng task para makatanggap ang application ng mga unang event. Ang dokumentadong input ay agent.session.input.message. Kapag iniulat ng stream ang agent.session.requires_action, kunin ang kasalukuyang required_actions ng session at tukuyin ang mga nakabinbing computer_use_approval_request record. Para sa kahilingang browser_origin_access, ipakita sa user ang hinihinging origin at anumang ibinigay na dahilan. Ipadala ang pasya niyang approve, deny, o cancel bilang agent.session.input.computer_use_approval_request_result kasama ang katugmang request_id.

Tungkol ang pasyang iyon sa pag-access sa website origin, pampubliko man ito o hindi. Hindi nagbibigay ng pag-apruba ang pagtatakda sa network.access bilang enabled. Hindi rin pinatutunayan ng pag-apruba sa origin ang bawat kasunod na aksyon ng browser. Sinasabi ng OpenAI na dapat limitahan ng mga application na nangangailangan ng garantisadong kumpirmasyon bago bumili o gumawa ng mapaminsalang pagbabago ang naka-host na browser sa mga resource na hindi kayang magsagawa ng mga iyon, o gumamit ng browser runtime na kontrolado nila. Hindi pinagkakatiwalaang input ang text ng website at hindi ito makapag-aawtorisa ng access o makapagpapawalang-bisa sa mga tagubilin ng user.

Kinakansela ng walkthrough para sa pampublikong page ang hiwalay na browser_authentication request. May sarili itong daloy ng pag-sign in; hindi ito saklaw ng read-only na setup na ito. Binabanggit din ng OpenAI na hindi kinakansela ng pagkansela sa kahilingan ng pag-apruba ang task. Nangangahulugan ang pagtanggap sa tugon ng pag-apruba na natanggap ang pasya, hindi na tapos na ang navigation.

Suriin ang resulta at aktibidad, saka tanggalin ang session

Maaaring ibigay ng event stream ang text ng sagot sa agent.session.turn.output_text.done. Hintayin ang agent.session.turn.completed para sa pangunahing turn, at hiwalay na hawakan ang mga event ng failure at cancellation. Para sa dokumentadong task, tiyaking talagang kasama sa sagot ang pamagat at URL ng quickstart. Hindi patunay na tapos na ang turn ang pagsasara lang ng stream; ipinapayo ng OpenAI na muling kunin ang estado ng parehong session matapos mabigo ang koneksyon o kapag hindi tiyak ang naging resulta.

Nagbibigay ng ikalawang pagtingin sa gawain ng browser ang mga session item. Kasama sa mga computer_use_call item ang pamagat ng aktibidad, turn ID, at status. Kapag naka-enable ang mga screenshot, maaaring maglaman ang item ng URL ng larawang computer_screenshot; may mga operasyong wala pa ring ibinabalik na larawan. Ipinapakita ng mga item na iyon ang mga operasyon ng browser, hindi ang pinal na hatol sa task. Suriin ang mga naka-save na item at anumang result o screenshot na kailangan ng application bago tanggalin ang session para hilingin ang paglilinis ng environment. Maaaring may sensitibong impormasyon tungkol sa page o account ang mga screenshot, kaya ipinapayo ng dokumentasyon na limitahan ang mga makakakita sa awtorisadong tao at huwag ilagay ang mga ito sa application log.

Magkaibang pasya ang access at gastos

Sinasabi ng OpenAI sa buod ng DevDay nito na magagamit ang computer use sa pamamagitan ng API at sa Codex at ChatGPT Work para sa Pro 500 at Enterprise. Saklaw ng gabay na ito ang API path, na nangangailangan ng mga credential at pahintulot sa Platform. Hindi nagbibigay ng API access o sumasaklaw sa singil sa paggamit ng API ang pahayag tungkol sa product plan.

Ayon sa pangkalahatang-ideya ng Agents API, sinisingil ang paggamit ng modelo batay sa mga rate ng API ng napiling modelo, samantalang karaniwang mga rate ng container ang ginagamit ng mga sandbox na naka-host ng OpenAI. Walang hiwalay na bayad sa computer-use tool na binabanggit sa mga sinuring page; hindi ito nangangahulugang libre ang naka-host na browser session. Tingnan ang kasalukuyang presyo ng modelo at container bago magtakda ng budget para sa isang run. Maaaring magbago ang mga beta API method sa mga halimbawa. Walang ginawang API session, browser task, o SDK execution para sa artikulong ito.

Mga sanggunian at karagdagang babasahin

• OpenAI, “Computer use”, sinuri noong Setyembre 30, 2026. Pangunahing sanggunian para sa configuration ng browser, mga pangalan ng event, kahilingan sa origin at authentication, pagsuri sa resulta, aktibidad, at pagtanggal. Walang ipinakitang petsa ng publikasyon ang page.
• OpenAI, “Agents API quickstart”, sinuri noong Setyembre 30, 2026. Tinutukoy ang mga pahintulot ng Platform key, beta header, at mga kinakailangan ng SDK; hiwalay sa browser walkthrough ang pangkalahatang halimbawa ng coding nito.
• OpenAI, “Agents API” at “OpenAI-hosted sandboxes”, sinuri noong Setyembre 30, 2026. Ipinapaliwanag ng mga ito ang modelo ng session at ang magkahiwalay na singil para sa modelo at naka-host na container. Walang petsa ng publikasyon ang alinmang page.
• Pagpepresyo ng OpenAI API, sinuri noong Setyembre 30, 2026. Dapat tingnan ang kasalukuyang rate para sa napiling modelo at naka-host na container; walang tinatantiyang partikular na gastos sa bawat run dito.
• OpenAI, “DevDay 2026 Recap”, inilathala noong Setyembre 29, 2026. Sanggunian para sa paglulunsad at magkahiwalay na pahayag ng OpenAI tungkol sa availability sa API at sa mga planong Pro 500 at Enterprise ng Codex/ChatGPT Work.