কম্পিউটার ব্যবহার

কম্পিউটার ব্যবহার আপনাকে ব্রাউজার নিয়ন্ত্রণ এজেন্ট তৈরি করতে সক্ষম করে যা কাজের সাথে ইন্টারঅ্যাক্ট করে এবং স্বয়ংক্রিয় করে। স্ক্রিনশট ব্যবহার করে, মডেলটি একটি কম্পিউটার স্ক্রিন "দেখতে" পারে এবং মাউস ক্লিক এবং কীবোর্ড ইনপুটের মতো নির্দিষ্ট UI ক্রিয়া তৈরি করে "কার্য" করতে পারে। ফাংশন কলিংয়ের মতো, কম্পিউটার ব্যবহার ক্রিয়া গ্রহণ এবং সম্পাদন করার জন্য আপনাকে ক্লায়েন্ট-সাইড অ্যাপ্লিকেশন কোড লিখতে হবে।

কম্পিউটার ব্যবহারের মাধ্যমে, আপনি এমন এজেন্ট তৈরি করতে পারেন যা:

• ওয়েবসাইটগুলিতে পুনরাবৃত্তিমূলক ডেটা এন্ট্রি বা ফর্ম পূরণ স্বয়ংক্রিয় করুন।
• ওয়েব অ্যাপ্লিকেশন এবং ব্যবহারকারীর প্রবাহের স্বয়ংক্রিয় পরীক্ষা করা।
• বিভিন্ন ওয়েবসাইট জুড়ে গবেষণা পরিচালনা করুন (যেমন, ই-কমার্স সাইট থেকে পণ্যের তথ্য, দাম এবং পর্যালোচনা সংগ্রহ করে কেনাকাটা সম্পর্কে অবহিত করুন)

কম্পিউটার ব্যবহারের ক্ষমতা পরীক্ষা করার সবচেয়ে সহজ উপায় হল রেফারেন্স বাস্তবায়ন বা ব্রাউজারবেস ডেমো পরিবেশের মাধ্যমে।

কম্পিউটার ব্যবহার কীভাবে কাজ করে

কম্পিউটার ইউজ মডেল ব্যবহার করে একটি ব্রাউজার কন্ট্রোল এজেন্ট তৈরি করতে, একটি এজেন্ট লুপ বাস্তবায়ন করুন যা নিম্নলিখিত কাজগুলি করে:

1. মডেলের কাছে একটি অনুরোধ পাঠান

   • আপনার API অনুরোধে কম্পিউটার ব্যবহার টুল এবং ঐচ্ছিকভাবে যেকোনো কাস্টম ব্যবহারকারী-সংজ্ঞায়িত ফাংশন বা বাদ দেওয়া ফাংশন যোগ করুন।
   • ব্যবহারকারীর অনুরোধের ভিত্তিতে কম্পিউটার ব্যবহারের মডেলটি প্রম্পট করুন।

2. মডেলের প্রতিক্রিয়া গ্রহণ করুন

   • কম্পিউটার ব্যবহার মডেল ব্যবহারকারীর অনুরোধ এবং স্ক্রিনশট বিশ্লেষণ করে এবং একটি প্রতিক্রিয়া তৈরি করে যার মধ্যে একটি প্রস্তাবিত function_call থাকে যা একটি UI অ্যাকশন উপস্থাপন করে (যেমন, "click at coordinate (x,y)" অথবা "type 'text'")। কম্পিউটার ব্যবহার মডেল দ্বারা সমর্থিত সমস্ত UI অ্যাকশনের বিবরণের জন্য, Supported actions দেখুন।
   • API প্রতিক্রিয়াতে একটি অভ্যন্তরীণ সুরক্ষা ব্যবস্থা থেকে একটি safety_decision অন্তর্ভুক্ত থাকতে পারে যা মডেলের প্রস্তাবিত পদক্ষেপটি পরীক্ষা করে। এই safety_decision পদক্ষেপটিকে এইভাবে শ্রেণীবদ্ধ করে:
     • নিয়মিত / অনুমোদিত: এই পদক্ষেপটি নিরাপদ বলে বিবেচিত হবে। এটি কোনও safety_decision উপস্থিত না থাকার দ্বারাও প্রতিনিধিত্ব করা যেতে পারে।
     • নিশ্চিতকরণ প্রয়োজন ( require_confirmation ): মডেলটি এমন একটি কাজ করতে চলেছে যা ঝুঁকিপূর্ণ হতে পারে (যেমন, "accept cookie banner" এ ক্লিক করা)।

3. প্রাপ্ত ক্রিয়াটি সম্পাদন করুন

   • আপনার ক্লায়েন্ট-সাইড কোড function_call এবং এর সাথে থাকা যেকোনো safety_decision গ্রহণ করে।
     • নিয়মিত / অনুমোদিত: যদি safety_decision নিয়মিত / অনুমোদিত নির্দেশ করে (অথবা যদি কোনও safety_decision উপস্থিত না থাকে), তাহলে আপনার ক্লায়েন্ট-সাইড কোড আপনার লক্ষ্য পরিবেশে (যেমন, একটি ওয়েব ব্রাউজার) নির্দিষ্ট function_call কার্যকর করতে পারে।
     • নিশ্চিতকরণ প্রয়োজন: যদি safety_decision ইঙ্গিত করে যে নিশ্চিতকরণ প্রয়োজন, তাহলে function_call কার্যকর করার আগে আপনার অ্যাপ্লিকেশনটিকে অবশ্যই শেষ ব্যবহারকারীকে নিশ্চিতকরণের জন্য অনুরোধ করতে হবে। ব্যবহারকারী যদি নিশ্চিত করেন, তাহলে ক্রিয়াটি কার্যকর করতে এগিয়ে যান। ব্যবহারকারী যদি অস্বীকার করেন, তাহলে ক্রিয়াটি কার্যকর করবেন না।

4. নতুন পরিবেশের অবস্থা ক্যাপচার করুন

   • যদি অ্যাকশনটি কার্যকর করা হয়ে থাকে, তাহলে আপনার ক্লায়েন্ট GUI এর একটি নতুন স্ক্রিনশট এবং বর্তমান URL ক্যাপচার করে function_response এর অংশ হিসেবে কম্পিউটার ব্যবহার মডেলে ফেরত পাঠাবে।
   • যদি কোনও পদক্ষেপ সুরক্ষা ব্যবস্থা দ্বারা অবরুদ্ধ করা হয় বা ব্যবহারকারী দ্বারা নিশ্চিতকরণ প্রত্যাখ্যান করা হয়, তাহলে আপনার অ্যাপ্লিকেশনটি মডেলটিকে ভিন্ন ধরণের প্রতিক্রিয়া পাঠাতে পারে বা মিথস্ক্রিয়াটি শেষ করতে পারে।

এই প্রক্রিয়াটি ধাপ ২ থেকে পুনরাবৃত্তি হয়, যেখানে মডেলটি নতুন স্ক্রিনশট এবং চলমান লক্ষ্য ব্যবহার করে পরবর্তী পদক্ষেপের পরামর্শ দেয়। কাজটি সম্পন্ন না হওয়া পর্যন্ত, একটি ত্রুটি দেখা দেয়, অথবা প্রক্রিয়াটি বন্ধ না হওয়া পর্যন্ত (যেমন, "ব্লক" সুরক্ষা প্রতিক্রিয়া বা ব্যবহারকারীর সিদ্ধান্তের কারণে) লুপটি চলতে থাকে।

কম্পিউটার ব্যবহার কীভাবে বাস্তবায়ন করবেন

কম্পিউটার ব্যবহার টুল দিয়ে তৈরি করার আগে আপনাকে নিম্নলিখিতগুলি সেট আপ করতে হবে:

• নিরাপদ কার্যকর পরিবেশ: নিরাপত্তার কারণে, আপনার কম্পিউটার ব্যবহার এজেন্টটি একটি নিরাপদ এবং নিয়ন্ত্রিত পরিবেশে চালানো উচিত (যেমন, একটি স্যান্ডবক্সযুক্ত ভার্চুয়াল মেশিন, একটি ধারক, অথবা সীমিত অনুমতি সহ একটি ডেডিকেটেড ব্রাউজার প্রোফাইল)।
• ক্লায়েন্ট-সাইড অ্যাকশন হ্যান্ডলার: মডেল দ্বারা তৈরি অ্যাকশনগুলি কার্যকর করতে এবং প্রতিটি অ্যাকশনের পরে পরিবেশের স্ক্রিনশট ক্যাপচার করতে আপনাকে ক্লায়েন্ট-সাইড লজিক বাস্তবায়ন করতে হবে।

এই বিভাগের উদাহরণগুলিতে এক্সিকিউশন এনভায়রনমেন্ট হিসেবে ব্রাউজার এবং ক্লায়েন্ট-সাইড অ্যাকশন হ্যান্ডলার হিসেবে প্লে-রাইট ব্যবহার করা হয়েছে। এই নমুনাগুলি চালানোর জন্য আপনাকে প্রয়োজনীয় নির্ভরতা ইনস্টল করতে হবে এবং একটি প্লে-রাইট ব্রাউজার ইনস্ট্যান্স শুরু করতে হবে।

    pip install google-genai playwright
    playwright install chromium
    

    from playwright.sync_api import sync_playwright

    # 1. Configure screen dimensions for the target environment
    SCREEN_WIDTH = 1440
    SCREEN_HEIGHT = 900

    # 2. Start the Playwright browser
    # In production, utilize a sandboxed environment.
    playwright = sync_playwright().start()
    # Set headless=False to see the actions performed on your screen
    browser = playwright.chromium.launch(headless=False)

    # 3. Create a context and page with the specified dimensions
    context = browser.new_context(
        viewport={"width": SCREEN_WIDTH, "height": SCREEN_HEIGHT}
    )
    page = context.new_page()

    # 4. Navigate to an initial page to start the task
    page.goto("https://www.google.com")

    # The 'page', 'SCREEN_WIDTH', and 'SCREEN_HEIGHT' variables
    # will be used in the steps below.
    

অ্যান্ড্রয়েড পরিবেশে সম্প্রসারণের জন্য নমুনা কোডটি "কাস্টম ব্যবহারকারী-সংজ্ঞায়িত ফাংশন ব্যবহার" বিভাগে অন্তর্ভুক্ত করা হয়েছে।

১. মডেলের কাছে একটি অনুরোধ পাঠান

আপনার API অনুরোধে কম্পিউটার ব্যবহার টুল যোগ করুন এবং ব্যবহারকারীর লক্ষ্য সহ মডেলটিতে একটি প্রম্পট পাঠান। আপনাকে কম্পিউটার ব্যবহার সমর্থিত মডেলগুলির মধ্যে একটি ব্যবহার করতে হবে, অন্যথায় আপনি একটি ত্রুটি পাবেন:

• gemini-2.5-computer-use-preview-10-2025
• gemini-3-pro-preview
• gemini-3-flash-preview

আপনি ঐচ্ছিকভাবে নিম্নলিখিত পরামিতিগুলিও যোগ করতে পারেন:

• বাদ দেওয়া পদক্ষেপ: যদি সমর্থিত UI পদক্ষেপের তালিকা থেকে এমন কোনও পদক্ষেপ থাকে যা আপনি মডেলটি নিতে চান না, তাহলে এই পদক্ষেপগুলিকে excluded_predefined_functions হিসাবে উল্লেখ করুন।
• ব্যবহারকারী-সংজ্ঞায়িত ফাংশন: কম্পিউটার ব্যবহারের সরঞ্জাম ছাড়াও, আপনি কাস্টম ব্যবহারকারী-সংজ্ঞায়িত ফাংশন অন্তর্ভুক্ত করতে চাইতে পারেন।

মনে রাখবেন যে অনুরোধ জারি করার সময় ডিসপ্লের আকার নির্দিষ্ট করার প্রয়োজন নেই; মডেলটি স্ক্রিনের উচ্চতা এবং প্রস্থে স্কেল করা পিক্সেল স্থানাঙ্কের পূর্বাভাস দেয়।

from google import genai
from google.genai import types
from google.genai.types import Content, Part

client = genai.Client()

# Specify predefined functions to exclude (optional)
excluded_functions = ["drag_and_drop"]

generate_content_config = genai.types.GenerateContentConfig(
    tools=[
        # 1. Computer Use tool with browser environment
        types.Tool(
            computer_use=types.ComputerUse(
                environment=types.Environment.ENVIRONMENT_BROWSER,
                # Optional: Exclude specific predefined functions
                excluded_predefined_functions=excluded_functions
                )
              ),
        # 2. Optional: Custom user-defined functions
        #types.Tool(
          # function_declarations=custom_functions
          #   )
          ],
  )

# Create the content with user message
contents=[
    Content(
        role="user",
        parts=[
            Part(text="Search for highly rated smart fridges with touchscreen, 2 doors, around 25 cu ft, priced below 4000 dollars on Google Shopping. Create a bulleted list of the 3 cheapest options in the format of name, description, price in an easy-to-read layout."),
        ],
    )
]

# Generate content with the configured settings
response = client.models.generate_content(
    model='gemini-2.5-computer-use-preview-10-2025',
    contents=contents,
    config=generate_content_config,
)

# Print the response output
print(response)

কাস্টম ফাংশনের উদাহরণের জন্য, কাস্টম ব্যবহারকারী-সংজ্ঞায়িত ফাংশন ব্যবহার দেখুন।

2. মডেলের প্রতিক্রিয়া গ্রহণ করুন

যখন কম্পিউটার ব্যবহার টুলটি সক্রিয় থাকে, তখন মডেলটি এক বা একাধিক FunctionCalls মাধ্যমে প্রতিক্রিয়া জানাবে যদি এটি নির্ধারণ করে যে কাজটি সম্পন্ন করার জন্য UI অ্যাকশনের প্রয়োজন। কম্পিউটার ব্যবহার সমান্তরাল ফাংশন কলিং সমর্থন করে, যার অর্থ মডেলটি একক পালাক্রমে একাধিক অ্যাকশন ফেরত দিতে পারে।

এখানে একটি উদাহরণ মডেল প্রতিক্রিয়া।

{
  "content": {
    "parts": [
      {
        "text": "I will type the search query into the search bar. The search bar is in the center of the page."
      },
      {
        "function_call": {
          "name": "type_text_at",
          "args": {
            "x": 371,
            "y": 470,
            "text": "highly rated smart fridges with touchscreen, 2 doors, around 25 cu ft, priced below 4000 dollars on Google Shopping",
            "press_enter": true
          }
        }
      }
    ]
  }
}

৩. প্রাপ্ত ক্রিয়াগুলি সম্পাদন করুন

আপনার অ্যাপ্লিকেশন কোডের মডেল প্রতিক্রিয়া বিশ্লেষণ করতে হবে, ক্রিয়াগুলি সম্পাদন করতে হবে এবং ফলাফল সংগ্রহ করতে হবে।

নিচের উদাহরণ কোডটি কম্পিউটার ইউজ মডেল রেসপন্স থেকে ফাংশন কল বের করে এবং নাট্যকারের সাথে কার্যকর করা যেতে পারে এমন ক্রিয়ায় রূপান্তর করে। মডেলটি ইনপুট চিত্রের মাত্রা নির্বিশেষে নরমালাইজড স্থানাঙ্ক (0-999) আউটপুট করে, তাই অনুবাদ ধাপের একটি অংশ হল এই নরমালাইজড স্থানাঙ্কগুলিকে প্রকৃত পিক্সেল মানগুলিতে রূপান্তর করা।

কম্পিউটার ব্যবহার মডেলের সাথে ব্যবহারের জন্য প্রস্তাবিত স্ক্রিন সাইজ হল (1440, 900)। মডেলটি যেকোনো রেজোলিউশনের সাথে কাজ করবে, যদিও ফলাফলের মান প্রভাবিত হতে পারে।

মনে রাখবেন যে এই উদাহরণে শুধুমাত্র ৩টি সর্বাধিক সাধারণ UI অ্যাকশনের বাস্তবায়ন অন্তর্ভুক্ত রয়েছে: open_web_browser , click_at , এবং type_text_at । উৎপাদন ব্যবহারের ক্ষেত্রে, আপনাকে সমর্থিত অ্যাকশন তালিকা থেকে অন্যান্য সমস্ত UI অ্যাকশন বাস্তবায়ন করতে হবে যদি না আপনি স্পষ্টভাবে সেগুলিকে excluded_predefined_functions হিসাবে যোগ করেন।

from typing import Any, List, Tuple
import time

def denormalize_x(x: int, screen_width: int) -> int:
    """Convert normalized x coordinate (0-1000) to actual pixel coordinate."""
    return int(x / 1000 * screen_width)

def denormalize_y(y: int, screen_height: int) -> int:
    """Convert normalized y coordinate (0-1000) to actual pixel coordinate."""
    return int(y / 1000 * screen_height)

def execute_function_calls(candidate, page, screen_width, screen_height):
    results = []
    function_calls = []
    for part in candidate.content.parts:
        if part.function_call:
            function_calls.append(part.function_call)

    for function_call in function_calls:
        action_result = {}
        fname = function_call.name
        args = function_call.args
        print(f"  -> Executing: {fname}")

        try:
            if fname == "open_web_browser":
                pass # Already open
            elif fname == "click_at":
                actual_x = denormalize_x(args["x"], screen_width)
                actual_y = denormalize_y(args["y"], screen_height)
                page.mouse.click(actual_x, actual_y)
            elif fname == "type_text_at":
                actual_x = denormalize_x(args["x"], screen_width)
                actual_y = denormalize_y(args["y"], screen_height)
                text = args["text"]
                press_enter = args.get("press_enter", False)

                page.mouse.click(actual_x, actual_y)
                # Simple clear (Command+A, Backspace for Mac)
                page.keyboard.press("Meta+A")
                page.keyboard.press("Backspace")
                page.keyboard.type(text)
                if press_enter:
                    page.keyboard.press("Enter")
            else:
                print(f"Warning: Unimplemented or custom function {fname}")

            # Wait for potential navigations/renders
            page.wait_for_load_state(timeout=5000)
            time.sleep(1)

        except Exception as e:
            print(f"Error executing {fname}: {e}")
            action_result = {"error": str(e)}

        results.append((fname, action_result))

    return results

৪. নতুন পরিবেশের অবস্থা ক্যাপচার করুন

ক্রিয়াগুলি সম্পাদন করার পরে, ফাংশন সম্পাদনের ফলাফলটি মডেলটিতে ফেরত পাঠান যাতে এটি পরবর্তী ক্রিয়া তৈরি করতে এই তথ্য ব্যবহার করতে পারে। যদি একাধিক ক্রিয়া (সমান্তরাল কল) সম্পাদন করা হয়, তাহলে আপনাকে পরবর্তী ব্যবহারকারীর পালাক্রমে প্রতিটির জন্য একটি FunctionResponse পাঠাতে হবে।

def get_function_responses(page, results):
    screenshot_bytes = page.screenshot(type="png")
    current_url = page.url
    function_responses = []
    for name, result in results:
        response_data = {"url": current_url}
        response_data.update(result)
        function_responses.append(
            types.FunctionResponse(
                name=name,
                response=response_data,
                parts=[types.FunctionResponsePart(
                        inline_data=types.FunctionResponseBlob(
                            mime_type="image/png",
                            data=screenshot_bytes))
                ]
            )
        )
    return function_responses

একটি এজেন্ট লুপ তৈরি করুন

বহু-পদক্ষেপের মিথস্ক্রিয়া সক্ষম করতে, "কম্পিউটার ব্যবহার কীভাবে বাস্তবায়ন করবেন" বিভাগের চারটি ধাপ একটি লুপে একত্রিত করুন। মডেল প্রতিক্রিয়া এবং আপনার ফাংশন প্রতিক্রিয়া উভয়ই যুক্ত করে কথোপকথনের ইতিহাস সঠিকভাবে পরিচালনা করতে ভুলবেন না।

এই কোড নমুনাটি চালানোর জন্য আপনাকে যা করতে হবে:

• প্রয়োজনীয় নাট্যকার নির্ভরতা ইনস্টল করুন।

• ধাপ (৩) থেকে সহায়ক ফাংশনগুলি সংজ্ঞায়িত করুন। প্রাপ্ত ক্রিয়াগুলি সম্পাদন করুন এবং (৪) নতুন পরিবেশ অবস্থা ক্যাপচার করুন ।

import time
from typing import Any, List, Tuple
from playwright.sync_api import sync_playwright

from google import genai
from google.genai import types
from google.genai.types import Content, Part

client = genai.Client()

# Constants for screen dimensions
SCREEN_WIDTH = 1440
SCREEN_HEIGHT = 900

# Setup Playwright
print("Initializing browser...")
playwright = sync_playwright().start()
browser = playwright.chromium.launch(headless=False)
context = browser.new_context(viewport={"width": SCREEN_WIDTH, "height": SCREEN_HEIGHT})
page = context.new_page()

# Define helper functions. Copy/paste from steps 3 and 4
# def denormalize_x(...)
# def denormalize_y(...)
# def execute_function_calls(...)
# def get_function_responses(...)

try:
    # Go to initial page
    page.goto("https://ai.google.dev/gemini-api/docs")

    # Configure the model (From Step 1)
    config = types.GenerateContentConfig(
        tools=[types.Tool(computer_use=types.ComputerUse(
            environment=types.Environment.ENVIRONMENT_BROWSER
        ))],
        thinking_config=types.ThinkingConfig(include_thoughts=True),
    )

    # Initialize history
    initial_screenshot = page.screenshot(type="png")
    USER_PROMPT = "Go to ai.google.dev/gemini-api/docs and search for pricing."
    print(f"Goal: {USER_PROMPT}")

    contents = [
        Content(role="user", parts=[
            Part(text=USER_PROMPT),
            Part.from_bytes(data=initial_screenshot, mime_type='image/png')
        ])
    ]

    # Agent Loop
    turn_limit = 5
    for i in range(turn_limit):
        print(f"\n--- Turn {i+1} ---")
        print("Thinking...")
        response = client.models.generate_content(
            model='gemini-2.5-computer-use-preview-10-2025',
            contents=contents,
            config=config,
        )

        candidate = response.candidates[0]
        contents.append(candidate.content)

        has_function_calls = any(part.function_call for part in candidate.content.parts)
        if not has_function_calls:
            text_response = " ".join([part.text for part in candidate.content.parts if part.text])
            print("Agent finished:", text_response)
            break

        print("Executing actions...")
        results = execute_function_calls(candidate, page, SCREEN_WIDTH, SCREEN_HEIGHT)

        print("Capturing state...")
        function_responses = get_function_responses(page, results)

        contents.append(
            Content(role="user", parts=[Part(function_response=fr) for fr in function_responses])
        )

finally:
    # Cleanup
    print("\nClosing browser...")
    browser.close()
    playwright.stop()

কাস্টম ব্যবহারকারী-সংজ্ঞায়িত ফাংশন ব্যবহার করে

মডেলের কার্যকারিতা বাড়ানোর জন্য আপনি ঐচ্ছিকভাবে আপনার অনুরোধে কাস্টম ব্যবহারকারী-সংজ্ঞায়িত ফাংশন অন্তর্ভুক্ত করতে পারেন। নীচের উদাহরণটি ব্রাউজার-নির্দিষ্ট অ্যাকশন বাদ দিয়ে open_app , long_press_at এবং go_home এর মতো কাস্টম ব্যবহারকারী-সংজ্ঞায়িত অ্যাকশন অন্তর্ভুক্ত করে মোবাইল ব্যবহারের ক্ষেত্রে কম্পিউটার ব্যবহারের মডেল এবং টুলকে অভিযোজিত করে। মডেলটি বুদ্ধিমত্তার সাথে স্ট্যান্ডার্ড UI অ্যাকশনের পাশাপাশি এই কাস্টম ফাংশনগুলিকে কল করতে পারে যাতে নন-ব্রাউজার পরিবেশে কাজগুলি সম্পূর্ণ করা যায়।

from typing import Optional, Dict, Any

from google import genai
from google.genai import types
from google.genai.types import Content, Part

client = genai.Client()

SYSTEM_PROMPT = """You are operating an Android phone. Today's date is October 15, 2023, so ignore any other date provided.
* To provide an answer to the user, *do not use any tools* and output your answer on a separate line. IMPORTANT: Do not add any formatting or additional punctuation/text, just output the answer by itself after two empty lines.
* Make sure you scroll down to see everything before deciding something isn't available.
* You can open an app from anywhere. The icon doesn't have to currently be on screen.
* Unless explicitly told otherwise, make sure to save any changes you make.
* If text is cut off or incomplete, scroll or click into the element to get the full text before providing an answer.
* IMPORTANT: Complete the given task EXACTLY as stated. DO NOT make any assumptions that completing a similar task is correct.  If you can't find what you're looking for, SCROLL to find it.
* If you want to edit some text, ONLY USE THE `type` tool. Do not use the onscreen keyboard.
* Quick settings shouldn't be used to change settings. Use the Settings app instead.
* The given task may already be completed. If so, there is no need to do anything.
"""

def open_app(app_name: str, intent: Optional[str] = None) -> Dict[str, Any]:
    """Opens an app by name.

    Args:
        app_name: Name of the app to open (any string).
        intent: Optional deep-link or action to pass when launching, if the app supports it.

    Returns:
        JSON payload acknowledging the request (app name and optional intent).
    """
    return {"status": "requested_open", "app_name": app_name, "intent": intent}

def long_press_at(x: int, y: int) -> Dict[str, int]:
    """Long-press at a specific screen coordinate.

    Args:
        x: X coordinate (absolute), scaled to the device screen width (pixels).
        y: Y coordinate (absolute), scaled to the device screen height (pixels).

    Returns:
        Object with the coordinates pressed and the duration used.
    """
    return {"x": x, "y": y}

def go_home() -> Dict[str, str]:
    """Navigates to the device home screen.

    Returns:
        A small acknowledgment payload.
    """
    return {"status": "home_requested"}

#  Build function declarations
CUSTOM_FUNCTION_DECLARATIONS = [
    types.FunctionDeclaration.from_callable(client=client, callable=open_app),
    types.FunctionDeclaration.from_callable(client=client, callable=long_press_at),
    types.FunctionDeclaration.from_callable(client=client, callable=go_home),
]

#Exclude browser functions
EXCLUDED_PREDEFINED_FUNCTIONS = [
    "open_web_browser",
    "search",
    "navigate",
    "hover_at",
    "scroll_document",
    "go_forward",
    "key_combination",
    "drag_and_drop",
]

#Utility function to construct a GenerateContentConfig
def make_generate_content_config() -> genai.types.GenerateContentConfig:
    """Return a fixed GenerateContentConfig with Computer Use + custom functions."""
    return genai.types.GenerateContentConfig(
        system_instruction=SYSTEM_PROMPT,
        tools=[
            types.Tool(
                computer_use=types.ComputerUse(
                    environment=types.Environment.ENVIRONMENT_BROWSER,
                    excluded_predefined_functions=EXCLUDED_PREDEFINED_FUNCTIONS,
                )
            ),
            types.Tool(function_declarations=CUSTOM_FUNCTION_DECLARATIONS),
        ],
    )

# Create the content with user message
contents: list[Content] = [
    Content(
        role="user",
        parts=[
            # text instruction
            Part(text="Open Chrome, then long-press at 200,400."),
        ],
    )
]

# Build your fixed config (from helper)
config = make_generate_content_config()

# Generate content with the configured settings
response = client.models.generate_content(
        model='gemini-2.5-computer-use-preview-10-2025',
        contents=contents,
        config=config,
    )

print(response)

সমর্থিত UI অ্যাকশন

মডেলটি FunctionCall মাধ্যমে নিম্নলিখিত UI অ্যাকশনগুলির জন্য অনুরোধ করতে পারে। আপনার ক্লায়েন্ট-সাইড কোডকে এই অ্যাকশনগুলির জন্য এক্সিকিউশন লজিক বাস্তবায়ন করতে হবে। উদাহরণের জন্য রেফারেন্স বাস্তবায়ন দেখুন।

নিরাপত্তা এবং সুরক্ষা

নিরাপত্তার সিদ্ধান্ত স্বীকার করুন

কর্মের উপর নির্ভর করে, মডেল প্রতিক্রিয়াতে একটি অভ্যন্তরীণ সুরক্ষা ব্যবস্থা থেকে একটি safety_decision অন্তর্ভুক্ত থাকতে পারে যা মডেলের প্রস্তাবিত পদক্ষেপ পরীক্ষা করে।

{
  "content": {
    "parts": [
      {
        "text": "I have evaluated step 2. It seems Google detected unusual traffic and is asking me to verify I'm not a robot. I need to click the 'I'm not a robot' checkbox located near the top left (y=98, x=95).",
      },
      {
        "function_call": {
          "name": "click_at",
          "args": {
            "x": 60,
            "y": 100,
            "safety_decision": {
              "explanation": "I have encountered a CAPTCHA challenge that requires interaction. I need you to complete the challenge by clicking the 'I'm not a robot' checkbox and any subsequent verification steps.",
              "decision": "require_confirmation"
            }
          }
        }
      }
    ]
  }
}

যদি safety_decision require_confirmation হয়, তাহলে আপনাকে অবশ্যই ব্যবহারকারীকে পদক্ষেপটি সম্পাদন করার আগে নিশ্চিত করতে বলতে হবে। পরিষেবার শর্তাবলী অনুসারে, আপনি মানব নিশ্চিতকরণের জন্য অনুরোধগুলি বাইপাস করতে পারবেন না।

এই কোড নমুনাটি ব্যবহারকারীকে অ্যাকশনটি কার্যকর করার আগে নিশ্চিতকরণের জন্য অনুরোধ করে। ব্যবহারকারী যদি অ্যাকশনটি নিশ্চিত না করে, তাহলে লুপটি বন্ধ হয়ে যায়। ব্যবহারকারী যদি অ্যাকশনটি নিশ্চিত করে, তাহলে অ্যাকশনটি কার্যকর করা হয় এবং safety_acknowledgement ক্ষেত্রটি True হিসাবে চিহ্নিত করা হয়।

import termcolor

def get_safety_confirmation(safety_decision):
    """Prompt user for confirmation when safety check is triggered."""
    termcolor.cprint("Safety service requires explicit confirmation!", color="red")
    print(safety_decision["explanation"])

    decision = ""
    while decision.lower() not in ("y", "n", "ye", "yes", "no"):
        decision = input("Do you wish to proceed? [Y]es/[N]o\n")

    if decision.lower() in ("n", "no"):
        return "TERMINATE"
    return "CONTINUE"

def execute_function_calls(candidate, page, screen_width, screen_height):

    # ... Extract function calls from response ...

    for function_call in function_calls:
        extra_fr_fields = {}

        # Check for safety decision
        if 'safety_decision' in function_call.args:
            decision = get_safety_confirmation(function_call.args['safety_decision'])
            if decision == "TERMINATE":
                print("Terminating agent loop")
                break
            extra_fr_fields["safety_acknowledgement"] = "true" # Safety acknowledgement

        # ... Execute function call and append to results ...

ব্যবহারকারী যদি নিশ্চিত করেন, তাহলে আপনাকে অবশ্যই আপনার FunctionResponse -এ নিরাপত্তা স্বীকৃতি অন্তর্ভুক্ত করতে হবে।

function_response_parts.append(
    FunctionResponse(
        name=name,
        response={"url": current_url,
                  **extra_fr_fields},  # Include safety acknowledgement
        parts=[
            types.FunctionResponsePart(
                inline_data=types.FunctionResponseBlob(
                    mime_type="image/png", data=screenshot
                )
             )
           ]
         )
       )

নিরাপত্তার সর্বোত্তম অনুশীলন

কম্পিউটার ব্যবহার একটি অভিনব হাতিয়ার যা নতুন ঝুঁকি উপস্থাপন করে যা ডেভেলপারদের মনে রাখা উচিত:

• অবিশ্বস্ত কন্টেন্ট এবং জালিয়াতি: মডেলটি ব্যবহারকারীর লক্ষ্য অর্জনের চেষ্টা করার সময়, এটি স্ক্রিন থেকে তথ্য এবং নির্দেশাবলীর অবিশ্বস্ত উৎসের উপর নির্ভর করতে পারে। উদাহরণস্বরূপ, যদি ব্যবহারকারীর লক্ষ্য একটি Pixel ফোন কেনা হয় এবং মডেলটি "জরিপ সম্পন্ন করলে ফ্রি-পিক্সেল" জালিয়াতির সম্মুখীন হয়, তাহলে মডেলটি জরিপটি সম্পন্ন করার সম্ভাবনা রয়েছে।
• মাঝেমধ্যে অনিচ্ছাকৃত কাজ: মডেলটি ব্যবহারকারীর লক্ষ্য বা ওয়েবপৃষ্ঠার বিষয়বস্তুর ভুল ব্যাখ্যা করতে পারে, যার ফলে ব্যবহারকারী ভুল বোতামে ক্লিক করা বা ভুল ফর্ম পূরণ করার মতো ভুল পদক্ষেপ নিতে পারে। এর ফলে ব্যর্থ কাজ বা ডেটা বহিষ্কার হতে পারে।
• নীতি লঙ্ঘন: API-এর ক্ষমতা ইচ্ছাকৃতভাবে বা অনিচ্ছাকৃতভাবে এমন কার্যকলাপের দিকে পরিচালিত হতে পারে যা Google-এর নীতি ( Gen AI Prohibited Use Policy এবং Gemini API Additional Terms of Service ) লঙ্ঘন করে। এর মধ্যে এমন কর্মকাণ্ড অন্তর্ভুক্ত রয়েছে যা সিস্টেমের অখণ্ডতার সাথে হস্তক্ষেপ করতে পারে, নিরাপত্তার সাথে আপস করতে পারে, নিরাপত্তা ব্যবস্থা বাইপাস করতে পারে, চিকিৎসা ডিভাইস নিয়ন্ত্রণ করতে পারে ইত্যাদি।

এই ঝুঁকিগুলি মোকাবেলা করার জন্য, আপনি নিম্নলিখিত সুরক্ষা ব্যবস্থা এবং সর্বোত্তম অনুশীলনগুলি বাস্তবায়ন করতে পারেন:

1. হিউম্যান-ইন-দ্য-লুপ (HITL):

   • ব্যবহারকারীর নিশ্চিতকরণ বাস্তবায়ন করুন: যখন নিরাপত্তা প্রতিক্রিয়া require_confirmation নির্দেশ করে, তখন কার্যকর করার আগে আপনাকে ব্যবহারকারীর নিশ্চিতকরণ বাস্তবায়ন করতে হবে। নমুনা কোডের জন্য Acknowledge safety decision দেখুন।

   • কাস্টম নিরাপত্তা নির্দেশাবলী প্রদান করুন: অন্তর্নির্মিত ব্যবহারকারী নিশ্চিতকরণ পরীক্ষা ছাড়াও, ডেভেলপাররা ঐচ্ছিকভাবে একটি কাস্টম সিস্টেম নির্দেশনা যোগ করতে পারেন যা তাদের নিজস্ব নিরাপত্তা নীতি প্রয়োগ করে, হয় নির্দিষ্ট মডেল পদক্ষেপগুলিকে ব্লক করতে অথবা মডেলটি কিছু উচ্চ-ঝুঁকিপূর্ণ অপরিবর্তনীয় পদক্ষেপ নেওয়ার আগে ব্যবহারকারীর নিশ্চিতকরণের প্রয়োজন করতে। এখানে একটি কাস্টম সুরক্ষা ব্যবস্থা নির্দেশনার একটি উদাহরণ দেওয়া হল যা আপনি মডেলের সাথে ইন্টারঅ্যাক্ট করার সময় অন্তর্ভুক্ত করতে পারেন।

     নিরাপত্তা নির্দেশাবলীর উদাহরণ

     সিস্টেম নির্দেশনা হিসেবে আপনার কাস্টম নিরাপত্তা নিয়ম সেট করুন:

         ## **RULE 1: Seek User Confirmation (USER_CONFIRMATION)**
     
         This is your first and most important check. If the next required action falls
         into any of the following categories, you MUST stop immediately, and seek the
         user's explicit permission.
     
         **Procedure for Seeking Confirmation:**  * **For Consequential Actions:**
         Perform all preparatory steps (e.g., navigating, filling out forms, typing a
         message). You will ask for confirmation **AFTER** all necessary information is
         entered on the screen, but **BEFORE** you perform the final, irreversible action
         (e.g., before clicking "Send", "Submit", "Confirm Purchase", "Share").  * **For
         Prohibited Actions:** If the action is strictly forbidden (e.g., accepting legal
         terms, solving a CAPTCHA), you must first inform the user about the required
         action and ask for their confirmation to proceed.
     
         **USER_CONFIRMATION Categories:**
     
         *   **Consent and Agreements:** You are FORBIDDEN from accepting, selecting, or
             agreeing to any of the following on the user's behalf. You must ask the
             user to confirm before performing these actions.
             *   Terms of Service
             *   Privacy Policies
             *   Cookie consent banners
             *   End User License Agreements (EULAs)
             *   Any other legally significant contracts or agreements.
         *   **Robot Detection:** You MUST NEVER attempt to solve or bypass the
             following. You must ask the user to confirm before performing these actions.
         *   CAPTCHAs (of any kind)
             *   Any other anti-robot or human-verification mechanisms, even if you are
                 capable.
         *   **Financial Transactions:**
             *   Completing any purchase.
             *   Managing or moving money (e.g., transfers, payments).
             *   Purchasing regulated goods or participating in gambling.
         *   **Sending Communications:**
             *   Sending emails.
             *   Sending messages on any platform (e.g., social media, chat apps).
             *   Posting content on social media or forums.
         *   **Accessing or Modifying Sensitive Information:**
             *   Health, financial, or government records (e.g., medical history, tax
                 forms, passport status).
             *   Revealing or modifying sensitive personal identifiers (e.g., SSN, bank
                 account number, credit card number).
         *   **User Data Management:**
             *   Accessing, downloading, or saving files from the web.
             *   Sharing or sending files/data to any third party.
             *   Transferring user data between systems.
         *   **Browser Data Usage:**
             *   Accessing or managing Chrome browsing history, bookmarks, autofill data,
                 or saved passwords.
         *   **Security and Identity:**
             *   Logging into any user account.
             *   Any action that involves misrepresentation or impersonation (e.g.,
                 creating a fan account, posting as someone else).
         *   **Insurmountable Obstacles:** If you are technically unable to interact with
             a user interface element or are stuck in a loop you cannot resolve, ask the
             user to take over.
         ---
     
         ## **RULE 2: Default Behavior (ACTUATE)**
     
         If an action does **NOT** fall under the conditions for `USER_CONFIRMATION`,
         your default behavior is to **Actuate**.
     
         **Actuation Means:**  You MUST proactively perform all necessary steps to move
         the user's request forward. Continue to actuate until you either complete the
         non-consequential task or encounter a condition defined in Rule 1.
     
         *   **Example 1:** If asked to send money, you will navigate to the payment
             portal, enter the recipient's details, and enter the amount. You will then
             **STOP** as per Rule 1 and ask for confirmation before clicking the final
             "Send" button.
         *   **Example 2:** If asked to post a message, you will navigate to the site,
             open the post composition window, and write the full message. You will then
             **STOP** as per Rule 1 and ask for confirmation before clicking the final
             "Post" button.
     
             After the user has confirmed, remember to get the user's latest screen
             before continuing to perform actions.
     
         # Final Response Guidelines:
         Write final response to the user in the following cases:
         - User confirmation
         - When the task is complete or you have enough information to respond to the user
         

2. নিরাপদ কার্যকরকরণ পরিবেশ: আপনার এজেন্টকে একটি নিরাপদ, স্যান্ডবক্সযুক্ত পরিবেশে চালান যাতে এর সম্ভাব্য প্রভাব সীমিত হয় (যেমন, একটি স্যান্ডবক্সযুক্ত ভার্চুয়াল মেশিন (VM), একটি কন্টেইনার (যেমন, ডকার), অথবা সীমিত অনুমতি সহ একটি ডেডিকেটেড ব্রাউজার প্রোফাইল)।

3. ইনপুট স্যানিটাইজেশন: অযাচিত নির্দেশাবলী বা প্রম্পট ইনজেকশনের ঝুঁকি কমাতে প্রম্পটে ব্যবহারকারী-উত্পাদিত সমস্ত টেক্সট স্যানিটাইজ করুন। এটি সুরক্ষার একটি সহায়ক স্তর, কিন্তু একটি নিরাপদ কার্যকর পরিবেশের প্রতিস্থাপন নয়।

4. কন্টেন্ট গার্ডেল: ব্যবহারকারীর ইনপুট, টুল ইনপুট এবং আউটপুট, উপযুক্ততার জন্য এজেন্টের প্রতিক্রিয়া, প্রম্পট ইনজেকশন এবং জেলব্রেক সনাক্তকরণ মূল্যায়ন করতে গার্ডেল এবং কন্টেন্ট সুরক্ষা API ব্যবহার করুন।

5. অ্যালাউলিস্ট এবং ব্লকলিস্ট: মডেলটি কোথায় নেভিগেট করতে পারে এবং কী করতে পারে তা নিয়ন্ত্রণ করার জন্য ফিল্টারিং পদ্ধতি প্রয়োগ করুন। নিষিদ্ধ ওয়েবসাইটের একটি ব্লকলিস্ট একটি ভাল সূচনা বিন্দু, যেখানে আরও সীমাবদ্ধ অ্যালাউলিস্ট আরও বেশি নিরাপদ।

6. পর্যবেক্ষণযোগ্যতা এবং লগিং: ডিবাগিং, অডিটিং এবং ঘটনার প্রতিক্রিয়ার জন্য বিস্তারিত লগ বজায় রাখুন। আপনার ক্লায়েন্টের প্রম্পট, স্ক্রিনশট, মডেল-প্রস্তাবিত ক্রিয়া (ফাংশন_কল), সুরক্ষা প্রতিক্রিয়া এবং ক্লায়েন্ট দ্বারা শেষ পর্যন্ত সম্পাদিত সমস্ত ক্রিয়া লগ করা উচিত।

7. পরিবেশ ব্যবস্থাপনা: GUI পরিবেশ সামঞ্জস্যপূর্ণ কিনা তা নিশ্চিত করুন। অপ্রত্যাশিত পপ-আপ, বিজ্ঞপ্তি, বা লেআউটের পরিবর্তন মডেলটিকে বিভ্রান্ত করতে পারে। সম্ভব হলে প্রতিটি নতুন কাজের জন্য একটি পরিচিত, পরিষ্কার অবস্থা থেকে শুরু করুন।

মডেল সংস্করণ

এরপর কি?

• ব্রাউজারবেস ডেমো পরিবেশে কম্পিউটার ব্যবহারের পরীক্ষা-নিরীক্ষা করুন।
• উদাহরণস্বরূপ কোডের জন্য রেফারেন্স বাস্তবায়নটি দেখুন।
• অন্যান্য জেমিনি এপিআই টুল সম্পর্কে জানুন:
  • ফাংশন কলিং
  • গুগল সার্চের মাধ্যমে গ্রাউন্ডিং