Интеграция Anthropic Computer Use для автоматизации интерфейсов

Нужно автоматизировать работу с legacy CRM, у которой нет API? Или протестировать десктоп-интерфейс на визуальные баги, которые не ловят unit-тесты? Мы интегрируем Anthropic Computer Use — решение, где Claude управляет компьютером через скриншоты и действия, адаптируясь к любым изменениям интерфейса. В отличие от AutoHotkey или PyAutoGUI, агент не ломается из-за сдвига кнопки на 5 пикселей. Наш опыт — 5+ лет в AI/ML и 20+ проектов по автоматизации, поэтому мы гарантируем надёжное решение под ключ.

Как работает Computer Use

Claude получает скриншот и возвращает команду: клик, ввод текста, скролл. Реализация на Python с библиотекой anthropic:

import anthropic
import base64
import subprocess
from pathlib import Path

client = anthropic.Anthropic()

def get_screenshot() -> str:
    """Делает скриншот и возвращает base64"""
    import pyautogui
    screenshot = pyautogui.screenshot()
    screenshot.save("/tmp/screen.png")
    return base64.standard_b64encode(Path("/tmp/screen.png").read_bytes()).decode()

def execute_action(action: dict) -> str:
    """Выполняет действие из Computer Use"""
    import pyautogui

    action_type = action["type"]

    if action_type == "screenshot":
        return get_screenshot()

    elif action_type == "mouse_move":
        pyautogui.moveTo(action["coordinate"][0], action["coordinate"][1])
        return "moved"

    elif action_type == "left_click":
        pyautogui.click(action["coordinate"][0], action["coordinate"][1])
        return "clicked"

    elif action_type == "double_click":
        pyautogui.doubleClick(action["coordinate"][0], action["coordinate"][1])
        return "double_clicked"

    elif action_type == "type":
        pyautogui.write(action["text"], interval=0.05)
        return "typed"

    elif action_type == "key":
        pyautogui.press(action["key"])
        return "key_pressed"

    elif action_type == "scroll":
        direction = 1 if action["direction"] == "up" else -1
        pyautogui.scroll(direction * action.get("amount", 3), x=action["coordinate"][0], y=action["coordinate"][1])
        return "scrolled"

    return "unknown_action"

def run_computer_use_agent(task: str, max_iterations: int = 30) -> str:
    """Запускает агент Computer Use для выполнения задачи"""

    tools = [{
        "type": "computer_20250124",
        "name": "computer",
        "display_width_px": 1920,
        "display_height_px": 1080,
        "display_number": 1,
    }]

    messages = [{"role": "user", "content": task}]

    for iteration in range(max_iterations):
        response = client.messages.create(
            model="claude-opus-4-5",
            max_tokens=4096,
            tools=tools,
            messages=messages,
        )

        if response.stop_reason == "end_turn":
            return next((b.text for b in response.content if hasattr(b, "text")), "Done")

        # Обрабатываем tool_use блоки
        tool_results = []
        for block in response.content:
            if block.type == "tool_use" and block.name == "computer":
                action = block.input
                result = execute_action(action)

                # Если запросил скриншот — добавляем изображение
                if action["type"] == "screenshot":
                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": [{
                            "type": "image",
                            "source": {"type": "base64", "media_type": "image/png", "data": result}
                        }]
                    })
                else:
                    # После действия делаем скриншот чтобы Claude видел результат
                    import time
                    time.sleep(0.5)  # ждём анимации UI
                    screenshot = get_screenshot()
                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": [{
                            "type": "image",
                            "source": {"type": "base64", "media_type": "image/png", "data": screenshot}
                        }]
                    })

        messages.append({"role": "assistant", "content": response.content})
        messages.append({"role": "user", "content": tool_results})

    return "Max iterations reached"

Почему Computer Use надёжнее обычного RPA?

Классические RPA-инструменты (Selenium, Playwright) требуют стабильных селекторов и не адаптируются к сдвигам элементов. Computer Use анализирует контекст: если кнопка изменила положение, агент «видит» это на скриншоте и корректирует действие. Это критично для интерфейсов, которые обновляются или кастомизируются. Computer Use работает через анализ скриншотов и возврат команд на естественном языке, что делает его устойчивым к изменениям UI.

Как мы реализуем интеграцию?

Мы проектируем архитектуру, настраиваем Docker sandbox с виртуальным дисплеем и пишем агента под вашу задачу.

Безопасный sandbox через Docker

FROM ubuntu:22.04

RUN apt-get update && apt-get install -y \
    xvfb x11vnc \
    python3-pip \
    chromium-browser \
    libreoffice \
    && rm -rf /var/lib/apt/lists/*

RUN pip3 install anthropic pyautogui pillow

# Виртуальный дисплей
ENV DISPLAY=:99
CMD ["bash", "-c", "Xvfb :99 -screen 0 1920x1080x24 & python3 /app/agent.py"]

import docker

def run_in_sandbox(task: str) -> str:
    """Запускает Computer Use задачу в Docker-контейнере"""
    container = docker.from_env().containers.run(
        "computer-use-sandbox",
        command=f'python3 -c "from agent import run_computer_use_agent; print(run_computer_use_agent({repr(task)}))"',
        remove=True,
        mem_limit="2g",
        cpu_period=100000,
        cpu_quota=50000,  # 50% CPU
        network_disabled=True,  # отключаем сеть если не нужна
        volumes={"/tmp/output": {"bind": "/output", "mode": "rw"}},
    )
    return container.decode()

Типовые задачи для Computer Use

• Работа с legacy-системами без API — старые 1С-конфигурации, Excel-макросы, корпоративные ERP с только десктоп-интерфейсом.
• Тестирование UI — агент кликает по интерфейсу как реальный пользователь, замечает визуальные баги, которые unit-тесты пропускают.
• RPA без кода — сбор данных из нескольких веб-интерфейсов, перекладывание данных между системами без API.

Сравнение с альтернативами

Что входит в работу

• Анализ задачи и проектирование архитектуры агента
• Разработка и настройка Docker sandbox с виртуальным дисплеем
• Интеграция с вашей системой (обмен данными, логирование)
• Тестирование на реальных сценариях и оптимизация
• Документация и обучение вашей команды
• Поддержка после внедрения (1 месяц)

Процесс работы

1. Аналитика — разбираем задачу, определяем scope и метрики успеха.
2. Проектирование — выбираем модель, настраиваем sandbox, пишем прототип.
3. Реализация — разрабатываем агента, добавляем логирование и обработку ошибок.
4. Тестирование — прогоняем на тестовых данных, фиксим баги.
5. Деплой — разворачиваем в вашей инфраструктуре (on-prem или облако).
6. Поддержка — мониторинг, доработки по обратной связи.

Сроки ориентировочно

• Базовый Computer Use агент с pyautogui: 2–3 дня
• Docker sandbox с виртуальным дисплеем: 2–3 дня
• Конкретная задача автоматизации legacy-системы: 1–2 недели
• Мониторинг и логирование действий агента: 3–5 дней

Сроки уточняются после оценки проекта. Стоимость рассчитывается индивидуально — свяжитесь для первичной консультации.

Типичные сложности и их решение

• Латентность: каждое действие требует скриншота и вызова LLM — в среднем 300–800 мс на шаг. Решение — кеширование повторяющихся шагов, параллельный запуск независимых веток агента и предсохранение состояний, которые агент посещает часто.
• Галлюцинации: агент может неверно идентифицировать кнопку или ввести данные не в то поле. Решение — валидация через сравнение скриншотов до/после, явное подтверждение ключевых шагов и ограничение области видимости агента только нужным окном.
• Безопасность: агент имеет прямой доступ к операционной системе. Решение — строгий Docker sandbox с отключённой сетью, лимитами ресурсов (CPU 50%, RAM 2 ГБ), белым списком разрешённых приложений и аудит-логом каждого действия.

Наш стек для Computer Use включает Python 3.11+, Playwright для управления браузером, Docker с виртуальным дисплеем Xvfb, а для on-premise сценариев — VNC-сервер для наблюдения за агентом в реальном времени. Логирование каждого действия сохраняется в structured JSON для последующего аудита и анализа нештатных ситуаций. Оцените ваш проект: напишите нам — мы предложим архитектуру и точные сроки. Гарантируем качество и прозрачность на всех этапах.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.