AREX Feed Article
Google AI Studio 官宣：Gemini API computer use 工具正式普遍可用，与 preview 无破坏性变更
北京时间 11 月 5 日凌晨（UTC 时间 11 月 4 日 17 时），Google AI Studio 官方 X 账号：Gemini API 中的 computer use 工具现已正式普遍可用（generally available，GA）。帖文称，与 preview 相比「没有破坏性变更，只是为你的浏览器、移动和桌面 agent 提供生产就绪的稳定性」，并附上链接。
时间线上更早的一步是：已在 10 月 30 日写入这次变更——「Computer Use 普遍可用（GA）：将 Computer Use 工具发布至普遍可用（GA），覆盖 Interactions 与 GenerateContent 两套 API。」帖文本身未披露支持模型、定价或用量限制；这些细节由官方文档与定价页补齐。
更新日志比官宣早五天
官宣五天前， 已对照发布说明与文档做了解读：GA 同时覆盖两套 API，意味着已有 GenerateContent 管线的团队无需迁移即可接入 computer use，新项目则可以直接用 Interactions API 的服务端状态管理——后者通过 previous_interaction_id 把 agent 循环的每一轮状态留在服务器，官方代码示例正是用它续接多步任务。Data Studios 还提到，谷歌文档如今把 GenerateContent 标注为 legacy（遗留接口），但它仍是大多数现有 Gemini 集成所依赖的请求—响应式 API。
对已经在测试这项功能的开发者，「无破坏性变更」意味着 preview 期间验证过的工具声明、动作词表和安全机制照常可用——按 Data Studios 的读法，变化的是状态而非语法。Data Studios 当时还记录了一个细节：文档页面彼时仍保留着「作为 Preview 能力，Computer Use 可能包含错误与安全漏洞」的措辞；截至本文发稿，现行文档的提示框已删去这句 Preview 表述。
截图进、动作出，点击发生在客户端
对工具的定义是：模型借助截图「看」屏幕，再以具体的 UI 动作「行动」；与函数调用类似，开发者必须自己实现客户端执行环境。官方文档把 agent 描述为一个四步循环：应用发出包含 computer_use 工具、目标环境、用户指令和当前屏幕截图的请求；模型返回一个 function_call，比如一次点击、滚动或按键，Gemini 4 与 3.x 系列模型还会附上解释动作意图的 intent 字段；客户端把动作解析出来并执行；然后截取新屏幕、以 function_result 回传，循环往复，直到任务完成或被终止。
坐标是这套接口的关键设计：模型在 0～999 的归一化 1,000×1,000 网格上给出位置，客户端按实际视口缩放后再交给 Playwright 这类自动化工具执行，因此请求无需声明屏幕分辨率。动作词表按环境区分——浏览器与桌面共用同一套 20 项动作（左键、双击、右键、中键、拖放、键入、热键、滚动、前进后退、直接导航 URL 等）；移动环境面向 Android 优化，把精细鼠标控制换成了 open_app、list_apps、long_press 这类应用级动作，共 10 项。开发者可以用 excluded_predefined_functions 排除内置动作、注册自定义函数，文档给出的示例是 yield_to_user——当动作不安全或含糊时把控制权交还给人，用于人在回路（human-in-the-loop）场景。思考等级（thinking levels）也可配置，文档提示较低等级对标准自动化任务通常已经够用。
四个模型可选，账单跟着 token 走
官方示例统一使用 gemini-3.8-flash。据 对照文档整理，目前支持 computer use 的模型共四个，谷歌对各模型的定位是：Gemini 4 Argon 能力最强，面向复杂推理与 agentic UI 工作流；Gemini 3.8 Flash 是推荐的 computer use 首选；Gemini 3.5 Flash-Lite 定位低延迟、低成本；Gemini 3 Flash Preview 仍是预览模型。
定价上，没有单独的 computer use 计费项，成本就是所用模型的 token 价格——包括 agent 每一步都随请求重发的截图。据定价页，Gemini 3.8 Flash 付费层标准价现为每 100 万 token 输入 0.75 美元、输出 3.75 美元，2027 年 1 月 1 日起涨到 1.50 与 7.50 美元；Gemini 3.5 Flash-Lite 为 0.30 与 2.50 美元，页面上没有列出调整计划。Data Studios 引用定价页（2026 年 10 月 30 日口径）补充了 Gemini 4 Argon 的数字：现价 2.00 与 10.00 美元，2026 年 12 月 1 日起翻倍至 4.00 与 20.00 美元。该分析还指出，这类任务里输入 token 占大头，因为每一轮都要重发视觉状态——跑大批量常规自动化（比如网页表单回归测试）的团队会直接感受到即将到来的涨价，也有动力测试 Flash-Lite 在自己的流程里是否足够准确。
从独立模型到内置工具，再到 GA
这条产品线此前走过两个节点。2026 年 6 月 24 日， computer use 成为 Gemini 3.5 Flash 的内置工具，结束了它作为独立 Gemini 2.5 computer use 模型的阶段；官方当时称这带来「迄今最佳的 agentic 计算机使用表现」，并公布了 OSWorld-Verified 基准成绩——Gemini 3.5 Flash 得分 78.4（同图对比中，Gemini 3 Flash 为 65.1）。谷歌当时称已有客户在借这项能力创造价值，并引述了 Browserbase、Browser Use 和 UiPath 三家的评价。
据 Data Studios 的观察，这次 GA 让 Gemini 与其他通过 API 提供 computer use 的供应商形成直接竞争，其中点名了 OpenAI 近期发布的 GPT-6.1 Terra 及其 computer use 功能。谷歌自家产品线也在同步收拢：11 月 2 日，宣布弃用 gemini-2.5-pro 与 gemini-2.5-flash，12 月 1 日起对旧模型的请求将自动路由到新模型并按新费率计费。
安全决定由 API 返回，执行责任留给开发者
文档把相当篇幅放在安全机制上，这也是 GA 之后仍然需要开发者自己落实的部分。每个建议动作可能附带内部安全系统的 safety_decision，分为放行、require_confirmation（需用户确认）与阻止三类；按 Data Studios 对文档的整理，需要确认时应用应提示用户，并在用户同意后于回传的 function_result 里写入 safety_acknowledgement，被阻止的动作则应中断循环。策略分七个类别：金融交易、敏感数据修改、通信工具、账号创建、数据修改、用户同意管理、法律条款与协议。
这些策略可以部分覆盖：disabled_safety_policies 能关掉指定类别，但 Data Studios 转述文档的告诫——这类覆盖只是「表达偏好」，模型仍可能返回 require_confirmation，假设确认步骤永远不会出现的应用在设计上就是错的。另一道开关是提示注入检测：enable_prompt_injection_detection 会扫描截图里隐藏的对抗指令（例如「忽略之前的命令」）并在检出时阻断执行，默认关闭、需显式开启，且仅支持 Gemini 3.5 Flash-Lite 及之后的模型。部署侧的要求同样落在开发者身上——文档要求把 agent 跑在沙箱化的 VM 或容器里，附带的参考实现提供可直接使用的 Docker 沙箱；Data Studios 还整理了官方最佳实践：用允许列表限制可访问站点，并记录提示词、截图、建议动作与安全响应以便复盘。
用 Data Studios 的话说，GA 改变的是这套 API 的支持状态；谷歌文档里的警告也没有随之撤下：Computer Use 可能包含错误和安全漏洞，对重要任务应保持密切监督，并避开关键决策、敏感数据和出错后无法挽回的操作。从放行、确认到拦截，每一次点击的最终执行与把关都落在客户端代码里。