Computer-use-Tool

Claude kann mit Computerumgebungen durch das Computer-use-Tool interagieren, das Screenshot-Funktionen und Maus-/Tastatursteuerung für autonome Desktop-Interaktion bietet. Auf WebArena, einem Benchmark für autonome Webnavigation auf echten Websites, erreicht Claude modernste Ergebnisse unter Single-Agent-Systemen und demonstriert starke Fähigkeiten, mehrstufige Browser-Aufgaben von Anfang bis Ende zu bewältigen.

Übersicht

Computer use ist eine Beta-Funktion, die Claude ermöglicht, mit Desktop-Umgebungen zu interagieren. Dieses Tool bietet:

• Screenshot-Erfassung: Sehen Sie, was derzeit auf dem Bildschirm angezeigt wird
• Maussteuerung: Klicken, ziehen und bewegen Sie den Cursor
• Tastatureingabe: Geben Sie Text ein und verwenden Sie Tastaturkürzel
• Desktop-Automatisierung: Interagieren Sie mit jeder Anwendung oder Schnittstelle

Während Computer use mit anderen Tools wie Bash und Text-Editor für umfassendere Automatisierungs-Workflows erweitert werden kann, bezieht sich Computer use speziell auf die Fähigkeit des Computer-use-Tools, Desktop-Umgebungen zu sehen und zu steuern.

Für Modellunterstützung siehe Tool-Referenz.

Sicherheitsaspekte

Computer use ist eine Beta-Funktion mit einzigartigen Risiken, die sich von Standard-API-Funktionen unterscheiden. Diese Risiken sind erhöht, wenn Sie mit dem Internet interagieren.

In einigen Fällen folgt Claude Befehlen, die in Inhalten gefunden werden, auch wenn dies den Anweisungen des Benutzers widerspricht. Zum Beispiel können Claude-Anweisungen auf Webseiten oder in Bildern Anweisungen außer Kraft setzen oder Claude dazu veranlassen, Fehler zu machen. Treffen Sie Vorsichtsmaßnahmen, um Claude von sensiblen Daten und Aktionen zu isolieren, um Risiken im Zusammenhang mit Prompt-Injection zu vermeiden.

Das Modell wurde trainiert, um diesen Prompt-Injektionen zu widerstehen, und es wurde eine zusätzliche Schutzebene hinzugefügt. Wenn Sie die Computer-use-Tools verwenden, werden automatisch Klassifizierer auf Ihre Prompts ausgeführt, um potenzielle Instanzen von Prompt-Injektionen zu kennzeichnen. Wenn diese Klassifizierer potenzielle Prompt-Injektionen in Screenshots identifizieren, lenken sie das Modell automatisch dazu, den Benutzer um Bestätigung zu bitten, bevor es mit der nächsten Aktion fortfährt. Dieser zusätzliche Schutz ist nicht ideal für jeden Anwendungsfall (zum Beispiel für Anwendungsfälle ohne einen Menschen in der Schleife), daher kontaktieren Sie bitte den Support, wenn Sie sich abmelden und ihn ausschalten möchten.

Diese Vorsichtsmaßnahmen bleiben wichtig, auch wenn die Klassifizierer-Schutzebene vorhanden ist.

Informieren Sie Endbenutzer über relevante Risiken und erhalten Sie ihre Zustimmung, bevor Sie Computer use in Ihren eigenen Produkten aktivieren.

Schnellstart

So beginnen Sie mit Computer use:

Wie Computer use funktioniert

Die Wiederholung der Schritte 3 und 4 ohne Benutzereingabe wird als „Agent-Schleife" bezeichnet (d. h. Claude antwortet mit einer Tool-use-Anfrage und Ihre Anwendung antwortet Claude mit den Ergebnissen der Evaluierung dieser Anfrage).

Die Rechenumgebung

Computer use erfordert eine sandboxed Rechenumgebung, in der Claude sicher mit Anwendungen und dem Web interagieren kann. Diese Umgebung umfasst:

1. Virtueller Display: Ein virtueller X11-Display-Server (mit Xvfb), der die Desktop-Schnittstelle rendert, die Claude durch Screenshots sehen wird und mit Maus-/Tastaturaktionen steuern wird.

2. Desktop-Umgebung: Eine leichte Benutzeroberfläche mit Window Manager (Mutter) und Panel (Tint2), die auf Linux läuft und eine konsistente grafische Schnittstelle für Claude bietet, mit der er interagieren kann.

3. Anwendungen: Vorinstallierte Linux-Anwendungen wie Firefox, LibreOffice, Text-Editoren und Dateimanager, die Claude verwenden kann, um Aufgaben zu erledigen.

4. Tool-Implementierungen: Integrationscode, der Claudes abstrakte Tool-Anfragen (wie „Maus bewegen" oder „Screenshot machen") in tatsächliche Operationen in der virtuellen Umgebung übersetzt.

5. Agent-Schleife: Ein Programm, das die Kommunikation zwischen Claude und der Umgebung handhabt, Claudes Aktionen an die Umgebung sendet und die Ergebnisse (Screenshots, Befehlsausgaben) an Claude zurückgibt.

Wenn Sie Computer use verwenden, verbindet sich Claude nicht direkt mit dieser Umgebung. Stattdessen:

1. Empfängt Ihre Anwendung Claudes Tool-use-Anfragen
2. Übersetzt sie in Aktionen in Ihrer Rechenumgebung
3. Erfasst die Ergebnisse (Screenshots, Befehlsausgaben usw.)
4. Gibt diese Ergebnisse an Claude zurück

Aus Sicherheits- und Isolierungsgründen wird die Referenzimplementierung alles davon in einem Docker-Container mit angemessenen Port-Zuordnungen zum Anzeigen und Interagieren mit der Umgebung ausgeführt.

Wie man Computer use implementiert

Beginnen Sie mit der Referenzimplementierung

Eine Referenzimplementierung ist verfügbar, die alles enthält, was Sie benötigen, um schnell mit Computer use zu beginnen:

• Eine containerisierte Umgebung, die für Computer use mit Claude geeignet ist
• Implementierungen der Computer-use-Tools
• Eine Agent-Schleife, die mit der Claude API interagiert und die Computer-use-Tools ausführt
• Eine Web-Schnittstelle zur Interaktion mit dem Container, der Agent-Schleife und den Tools.

Die agentengesteuerte Schleife verstehen

Der Kern von Computer use ist die „Agent-Schleife" – ein Zyklus, in dem Claude Tool-Aktionen anfordert, Ihre Anwendung sie ausführt und die Ergebnisse an Claude zurückgibt. Hier ist ein vereinfachtes Beispiel:

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,  # Add iteration limit to prevent infinite loops
):
    """
    A simple agent loop for Claude computer use interactions.

    This function handles the back-and-forth between:
    1. Sending user messages to Claude
    2. Claude requesting to use tools
    3. Your app executing those tools
    4. Sending tool results back to Claude
    """
    # Set up tools and API parameters
    client = Anthropic(api_key=api_key)
    beta_flag = (
        "computer-use-2025-11-24"
        if "20251124" in tool_version
        else "computer-use-2025-01-24"
    )
    text_editor_type = (
        "text_editor_20250728"
        if "20251124" in tool_version
        else f"text_editor_{tool_version}"
    )

    # Configure tools - you should already have these initialized elsewhere
    tools = [
        {
            "type": f"computer_{tool_version}",
            "name": "computer",
            "display_width_px": 1024,
            "display_height_px": 768,
        },
        {"type": text_editor_type, "name": "str_replace_based_edit_tool"},
        {"type": "bash_20250124", "name": "bash"},
    ]

    # Main agent loop (with iteration limit to prevent runaway API costs)
    iterations = 0
    while True and iterations < max_iterations:
        iterations += 1
        # Set up optional thinking parameter (for Claude Sonnet 3.7)
        thinking = None
        if thinking_budget:
            thinking = {"type": "enabled", "budget_tokens": thinking_budget}

        # Call the Claude API
        response = client.beta.messages.create(
            model=model,
            max_tokens=max_tokens,
            messages=messages,
            tools=tools,
            betas=[beta_flag],
            thinking=thinking,
        )

        # Add Claude's response to the conversation history
        response_content = response.content
        messages.append({"role": "assistant", "content": response_content})

        # Check if Claude used any tools
        tool_results = []
        for block in response_content:
            if block.type == "tool_use":
                # In a real app, you would execute the tool here
                # For example: result = run_tool(block.name, block.input)
                result = {"result": "Tool executed successfully"}

                # Format the result for Claude
                tool_results.append(
                    {"type": "tool_result", "tool_use_id": block.id, "content": result}
                )

        # If no tools were used, Claude is done - return the final messages
        if not tool_results:
            return messages

        # Add tool results to messages for the next iteration with Claude
        messages.append({"role": "user", "content": tool_results})

Die Schleife wird fortgesetzt, bis entweder Claude antwortet, ohne Tools anzufordern (Aufgabenvollendung), oder die maximale Iterationsbegrenzung erreicht wird. Diese Schutzmaßnahme verhindert potenzielle Endlosschleifen, die zu unerwarteten API-Kosten führen könnten.

Probieren Sie die Referenzimplementierung aus, bevor Sie den Rest dieser Dokumentation lesen.

Modellleistung mit Prompting optimieren

Hier sind einige Tipps, wie Sie die beste Qualität der Ausgaben erhalten:

1. Geben Sie einfache, gut definierte Aufgaben an und geben Sie explizite Anweisungen für jeden Schritt.
2. Claude geht manchmal davon aus, dass seine Aktionen erfolgreich sind, ohne die Ergebnisse explizit zu überprüfen. Um dies zu verhindern, können Sie Claude mit folgendem Prompt auffordern: After each step, take a screenshot and carefully evaluate if you have achieved the right outcome. Explicitly show your thinking: "I have evaluated step X..." If not correct, try again. Only when you confirm a step was executed correctly should you move on to the next one.
3. Einige UI-Elemente (wie Dropdown-Menüs und Scrollbalken) könnten für Claude schwierig zu manipulieren sein, wenn Mausbewegungen verwendet werden. Wenn Sie dies erleben, versuchen Sie, das Modell aufzufordern, Tastaturkürzel zu verwenden.
4. Für wiederholbare Aufgaben oder UI-Interaktionen fügen Sie Beispiel-Screenshots und Tool-Aufrufe erfolgreicher Ergebnisse in Ihren Prompt ein.
5. Wenn Sie das Modell anmelden müssen, geben Sie ihm den Benutzernamen und das Passwort in Ihrem Prompt in XML-Tags wie <robot_credentials> an. Die Verwendung von Computer use in Anwendungen, die eine Anmeldung erfordern, erhöht das Risiko schlechter Ergebnisse aufgrund von Prompt-Injection. Lesen Sie den Leitfaden zur Minderung von Prompt-Injektionen, bevor Sie dem Modell Anmeldedaten geben.

System-Prompts

Wenn eines der Anthropic-Schema-Tools über die Claude API angefordert wird, wird ein Computer-use-spezifischer System-Prompt generiert. Er ähnelt dem Tool-use-System-Prompt, beginnt aber mit:

You have access to a set of functions you can use to answer the user's question. This includes access to a sandboxed computing environment. You do NOT currently have the ability to inspect files or interact with external resources, except by invoking the below functions.

Wie bei regulärer Tool-Nutzung wird das vom Benutzer bereitgestellte system_prompt-Feld weiterhin respektiert und bei der Konstruktion des kombinierten System-Prompts verwendet.

Verfügbare Aktionen

Das Computer-use-Tool unterstützt diese Aktionen:

Grundlegende Aktionen (alle Versionen)

• screenshot - Erfassen Sie die aktuelle Anzeige
• left_click - Klicken Sie auf Koordinaten [x, y]
• type - Geben Sie eine Textzeichenkette ein
• key - Drücken Sie eine Taste oder Tastenkombination (zum Beispiel „ctrl+s")
• mouse_move - Bewegen Sie den Cursor zu Koordinaten

Erweiterte Aktionen (computer_20250124) Verfügbar in Claude 4-Modellen und Claude Sonnet 3.7:

• scroll - Scrollen Sie in jede Richtung mit Mengenkontrolle
• left_click_drag - Klicken und ziehen Sie zwischen Koordinaten
• right_click, middle_click - Zusätzliche Maustasten
• double_click, triple_click - Mehrfachklicks
• left_mouse_down, left_mouse_up - Feinkörnige Klick-Steuerung
• hold_key - Halten Sie eine Taste für eine bestimmte Dauer (in Sekunden)
• wait - Pausieren Sie zwischen Aktionen

Erweiterte Aktionen (computer_20251124) Verfügbar in Claude Opus 4.6, Claude Sonnet 4.6 und Claude Opus 4.5:

• Alle Aktionen von computer_20250124
• zoom - Zeigen Sie einen bestimmten Bereich des Bildschirms in voller Auflösung an. Erfordert enable_zoom: true in der Tool-Definition. Nimmt einen region-Parameter mit Koordinaten [x1, y1, x2, y2] an, die die obere linke und untere rechte Ecke des zu inspizierenden Bereichs definieren.

Tool-Parameter

Kombinieren mit erweitertem Denken

Zum Kombinieren von Computer use mit erweitertem Denken siehe Extended thinking.

Computer use mit anderen Tools erweitern

Um andere Tools neben Computer use hinzuzufügen, fügen Sie sie in das gleiche tools-Array ein. Das Schnellstart-Beispiel oben zeigt dieses Muster mit dem Bash-Tool und Text-Editor-Tool. Sie können Ihre eigenen benutzerdefinierten Tool-Definitionen auf die gleiche Weise hinzufügen.

Erstellen Sie eine benutzerdefinierte Computer-Use-Umgebung

Die Referenzimplementierung soll Ihnen den Einstieg in die Computer-Nutzung erleichtern. Sie enthält alle Komponenten, die Claude benötigt, um einen Computer zu nutzen. Sie können jedoch Ihre eigene Umgebung für die Computer-Nutzung erstellen, um Ihre Anforderungen zu erfüllen. Sie benötigen:

• Eine virtualisierte oder containerisierte Umgebung, die für die Computer-Nutzung mit Claude geeignet ist
• Eine Implementierung von mindestens einem der Computer-Use-Tools im Anthropic-Schema
• Eine Agent-Schleife, die mit der Claude API interagiert und die tool_use-Ergebnisse mit Ihren Tool-Implementierungen ausführt
• Eine API oder Benutzeroberfläche, die Benutzereingaben ermöglicht, um die Agent-Schleife zu starten

Implementieren Sie das Computer-Use-Tool

Das Computer-Use-Tool wird als schemalose Tool implementiert. Bei der Verwendung dieses Tools müssen Sie kein Eingabeschema wie bei anderen Tools bereitstellen; das Schema ist in Claudes Modell integriert und kann nicht geändert werden.

Behandeln Sie Fehler

Bei der Implementierung des Computer-Use-Tools können verschiedene Fehler auftreten. So können Sie diese behandeln:

Behandeln Sie die Koordinatenskalierung für höhere Auflösungen

Die API beschränkt Bilder auf maximal 1568 Pixel auf der längsten Kante und ungefähr 1,15 Megapixel insgesamt (siehe Bildgrößenänderung für Details). Beispielsweise wird ein 1512x982-Bildschirm auf ungefähr 1330x864 heruntergesampelt. Claude analysiert dieses kleinere Bild und gibt Koordinaten in diesem Raum zurück, aber Ihr Tool führt Klicks im ursprünglichen Bildschirmraum aus.

Dies kann dazu führen, dass Claudes Klick-Koordinaten ihre Ziele verfehlen, es sei denn, Sie behandeln die Koordinatentransformation.

Um dies zu beheben, ändern Sie die Größe von Screenshots selbst und skalieren Sie Claudes Koordinaten zurück:

Befolgen Sie Best Practices bei der Implementierung

Verstehen Sie die Einschränkungen der Computer-Nutzung

Die Computer-Use-Funktionalität befindet sich in der Beta-Phase. Während Claudes Fähigkeiten hochmodern sind, sollten Entwickler sich seiner Einschränkungen bewusst sein:

1. Latenz: Die aktuelle Computer-Use-Latenz für Mensch-KI-Interaktionen kann im Vergleich zu regulären menschlich gesteuerten Computeraktionen zu langsam sein. Konzentrieren Sie sich auf Anwendungsfälle, bei denen Geschwindigkeit nicht kritisch ist (z. B. Hintergrund-Informationsbeschaffung, automatisierte Softwaretests) in vertrauenswürdigen Umgebungen.
2. Genauigkeit und Zuverlässigkeit des Computer Vision: Claude kann Fehler machen oder halluzinieren, wenn er spezifische Koordinaten ausgibt, während er Actions generiert. Claude Sonnet 3.7 führt die Thinking-Fähigkeit ein, die Ihnen helfen kann, die Überlegungen des Modells zu verstehen und potenzielle Probleme zu identifizieren.
3. Genauigkeit und Zuverlässigkeit der Tool-Auswahl: Claude kann Fehler machen oder halluzinieren, wenn er Tools auswählt, während er Actions generiert, oder unerwartete Actions durchführt, um Probleme zu lösen. Darüber hinaus kann die Zuverlässigkeit niedriger sein, wenn Sie mit Nischen-Anwendungen oder mehreren Anwendungen gleichzeitig interagieren. Fordern Sie das Modell sorgfältig auf, wenn Sie komplexe Aufgaben anfordern.
4. Scroll-Zuverlässigkeit: Claude Sonnet 3.7 führte dedizierte Scroll-Actions mit Richtungssteuerung ein, die die Zuverlässigkeit verbessern. Das Modell kann jetzt explizit in jede Richtung (oben/unten/links/rechts) um einen bestimmten Betrag scrollen.
5. Tabellenkalkulationsinteraktion: Mausklicks für die Tabellenkalkulationsinteraktion haben sich in Claude Sonnet 3.7 mit der Hinzufügung von präziseren Maussteuerungsaktionen wie left_mouse_down, left_mouse_up und neuer Modifizierer-Tastaturunterstützung verbessert. Die Zellauswahl kann zuverlässiger sein, indem Sie diese feinen Steuerelemente verwenden und Modifizierer-Tasten mit Klicks kombinieren.

Überprüfen und verifizieren Sie immer sorgfältig Claudes Computer-Use-Actions und Protokolle. Verwenden Sie Claude nicht für Aufgaben, die perfekte Präzision oder sensible Benutzerinformationen ohne menschliche Überwachung erfordern.

Datenspeicherung

Computer-Use ist ein Client-seitiges Tool. Alle Screenshots, Mausaktionen, Tastatureingaben und alle Dateien, die an einer Sitzung beteiligt sind, werden in Ihrer Umgebung erfasst und gespeichert, nicht von Anthropic. Anthropic verarbeitet die Screenshot-Bilder und Action-Anfragen in Echtzeit als Teil des API-Aufrufs, speichert sie aber nicht nach der Rückgabe der Antwort.

Da Ihre Anwendung kontrolliert, wo und wie Computer-Use-Daten gespeichert werden, ist Computer-Use ZDR-berechtigt. Für ZDR-Berechtigung über alle Funktionen hinweg siehe API und Datenspeicherung.

Preisgestaltung

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

Nächste Schritte