Gemini API 的 Computer Use 工具正式 GA：浏览器、移动端、桌面三类智能体可上生产，接口与预览版无破坏性变更

核心背景与行业痛点

让模型看截图、点按钮的“电脑操作”能力此前多处于预览阶段，企业顾虑接口变动和稳定性，难以放进生产流程。Gemini API 更新日志显示，Computer Use 工具已于 10 月 30 日正式 GA；@GoogleAIStudio 在 11 月 4 日官宣，强调与预览版没有破坏性变更。

架构亮点与底层机制

它类似函数调用：应用发送任务、截图和环境配置，模型返回点击、输入、拖拽等动作，坐标为 0–999 归一化值，由客户端用 Playwright 等工具执行后回传新截图，循环推进。Gemini 4 与 3.x 支持浏览器、移动端、桌面三种环境，每个动作附带 intent 字段说明意图。

权威 Benchmark 与实测跑分对比

此次 GA 公告与文档未给出新的跑分数据，官方未公布基准成绩，本文不引用第三方数字。支持模型为 Gemini 4 Argon、Gemini 3.8 Flash（官方推荐）、Gemini 3.5 Flash-Lite 和 Gemini 3 Flash Preview。

开发者实战落地与开箱指南

在 tools 中加入 computer_use 并设置 environment 即可。响应里的 safety_decision 可能要求用户确认或直接拦截，需在客户端处理；可开启 enable_prompt_injection_detection 扫描截图里的恶意指令。官方仍建议对重要任务密切监督，避免用于不可逆或涉及敏感数据的操作。