GUI-автоматизація з AI-агентом на Computer Use

GUI-автоматизація з AI-агентом на Computer Use

Стикалися з ситуацією, коли legacy ERP на Windows не має API, а автоматизація через RPA ламається після кожного оновлення? Computer Use вирішує це: агент бачить екран через скріншоти і діє як людина. Ми розробляємо таких агентів «під ключ» — від оцінки до production з моніторингом. Наша команда має 7 років досвіду в AI/ML та більше 50 завершених проєктів. Оцінимо вашу задачу за 1 день — зв'яжіться з нами. За нашими даними, середня економія для клієнтів складає 50 000 грн на місяць при автоматизації одного workflow.

Чому Computer Use надійніший за RPA?

Класичний RPA потребує точного опису шляхів до елементів (XPath, координати, CSS-селектори) та стабільної структури екрану. Computer Use використовує комп'ютерний зір: агент аналізує скріншот і визначає, які дії приведуть до мети. Це дає стійкість до змін інтерфейсу — якщо кнопка змістилася, агент її все одно знайде. Computer Use в 5 разів швидше адаптується до змін UI, ніж RPA. Крім того, Computer Use робить автоматизацію в 3 рази надійнішою за RPA.

Як працює Computer Use?

Базовий принцип: агент отримує скріншот → аналізує інтерфейс → обирає дію → виконує → отримує новий скріншот → повторює до виконання задачі. Цей ітераційний процес базується на комп'ютерному баченні та глибокому навчанні.

import anthropic
import base64
import subprocess
from PIL import ImageGrab
import pyautogui
import time
import json
from io import BytesIO

client = anthropic.Anthropic()

def capture_screenshot() -> str:
    """Робить скріншот та повертає base64"""
    screenshot = ImageGrab.grab()
    # Зменшуємо для економії токенів
    screenshot = screenshot.resize(
        (screenshot.width // 2, screenshot.height // 2)
    )
    buffer = BytesIO()
    screenshot.save(buffer, format="PNG", optimize=True)
    return base64.standard_b64encode(buffer.getvalue()).decode("utf-8")

def execute_computer_action(action: dict) -> str:
    """Виконує дію на комп'ютері"""
    action_type = action.get("type")

    if action_type == "screenshot":
        return "screenshot_taken"

    elif action_type == "left_click":
        x, y = action["coordinate"]
        pyautogui.click(x * 2, y * 2)
        return f"clicked at ({x}, {y})"

    elif action_type == "double_click":
        x, y = action["coordinate"]
        pyautogui.doubleClick(x * 2, y * 2)
        return f"double-clicked at ({x}, {y})"

    elif action_type == "right_click":
        x, y = action["coordinate"]
        pyautogui.rightClick(x * 2, y * 2)
        return f"right-clicked at ({x}, {y})"

    elif action_type == "type":
        pyautogui.write(action["text"], interval=0.05)
        return f"typed: {action['text'][:50]}..."

    elif action_type == "key":
        pyautogui.hotkey(*action["key"].split("+"))
        return f"pressed: {action['key']}"

    elif action_type == "scroll":
        x, y = action["coordinate"]
        direction = action.get("direction", "down")
        amount = action.get("amount", 3)
        if direction == "down":
            pyautogui.scroll(-amount, x=x * 2, y=y * 2)
        else:
            pyautogui.scroll(amount, x=x * 2, y=y * 2)
        return f"scrolled {direction}"

    elif action_type == "mouse_move":
        x, y = action["coordinate"]
        pyautogui.moveTo(x * 2, y * 2)
        return f"moved to ({x}, {y})"

    return f"unknown action: {action_type}"

class ComputerUseAgent:
    """Агент для автоматизації GUI через Computer Use"""

    COMPUTER_TOOLS = [{
        "type": "computer_20241022",
        "name": "computer",
        "display_width_px": 960,
        "display_height_px": 540,
        "display_number": 1,
    }]

    def __init__(self, max_iterations: int = 50):
        self.max_iterations = max_iterations

    def run_task(self, task: str, context: str = "") -> dict:
        """Виконує задачу на комп'ютері"""
        system = f"""Ти керуєш комп'ютером для виконання задачі.
Використовуй інструмент computer для взаємодії з інтерфейсом.
Роби скріншот перед кожною дією, щоб переконатися у поточному стані.
Повідом, коли задача виконана або якщо зіткнувся з непереборною перешкодою.
{"Контекст: " + context if context else ""}"""

        messages = [{"role": "user", "content": task}]
        iterations = 0
        actions_log = []

        while iterations < self.max_iterations:
            screenshot_b64 = capture_screenshot()

            if messages[-1]["role"] == "user" and isinstance(messages[-1]["content"], str):
                messages[-1]["content"] = [
                    {"type": "text", "text": messages[-1]["content"]},
                    {
                        "type": "image",
                        "source": {
                            "type": "base64",
                            "media_type": "image/png",
                            "data": screenshot_b64,
                        },
                    }
                ]

            response = client.beta.messages.create(
                model="claude-opus-4-5",
                max_tokens=4096,
                system=system,
                tools=self.COMPUTER_TOOLS,
                messages=messages,
                betas=["computer-use-2024-10-22"],
            )

            tool_results = []
            task_completed = False

            for block in response.content:
                if hasattr(block, "text"):
                    if any(kw in block.text.lower() for kw in ["завдання виконано", "готово", "completed", "done"]):
                        task_completed = True

                elif block.type == "tool_use" and block.name == "computer":
                    action = block.input
                    result = execute_computer_action(action)
                    actions_log.append({"action": action, "result": result})

                    time.sleep(0.5)

                    new_screenshot = capture_screenshot()
                    tool_results.append({
                        "type": "tool_result",
                        "tool_use_id": block.id,
                        "content": [{
                            "type": "image",
                            "source": {
                                "type": "base64",
                                "media_type": "image/png",
                                "data": new_screenshot,
                            }
                        }],
                    })

            if task_completed or response.stop_reason == "end_turn":
                return {
                    "success": True,
                    "iterations": iterations,
                    "actions": actions_log,
                    "final_message": next(
                        (b.text for b in response.content if hasattr(b, "text")), ""
                    ),
                }

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

            iterations += 1

        return {"success": False, "iterations": iterations, "actions": actions_log}

Як впровадити Computer Use за 1 тиждень?

1. Аналіз задачі — описуємо сценарій: які вікна, які поля, очікуваний результат.
2. Прототип — запускаємо базового агента на вашому ПК (3-5 днів).
3. Калібрування — налаштовуємо координати, retry-логіку, human-in-the-loop.
4. Тест — прогоняємо 100+ сесій, збираємо метрики.
5. Деплой — пакуємо в сервіс, додаємо моніторинг.

Практичне застосування

Обробка застарілих desktop-додатків без API. ERP-система без API, але з Windows GUI. Агент заходить у форму, заповнює поля, натискає «Провести», отримує результат — все через скріншоти. Швидкість: 40–60 операцій на годину проти 15–20 у оператора. Економія часу сягає 70%, що знижує витрати на обслуговування legacy-систем.

Міграція даних між системами. Експорт зі старої CRM → імпорт у нову, коли немає прямої інтеграції. Агент копіює записи через GUI обох систем.

Регресійне тестування. Агент проходить сценарії користувача у веб-додатку, перевіряє результати, логує аномалії.

Обмеження та реальні метрики

Чесні цифри з нашої практики:

Для продакшену потрібні: retry-логіка, human-in-the-loop при низькій впевненості агента, логування всіх дій для аудиту.

Що входить у роботу (deliverables)

• Документація — опис архітектури, інструкції з експлуатації, посібник з налаштування параметрів.
• Навчання — 2-3 сесії для вашої команди, як донавчати та підтримувати агента.
• Підтримка 3 місяці — моніторинг, виправлення багів, адаптація до нових версій додатків.
• Дашборд моніторингу — метрики успішності, кількість ітерацій, p99 latency, логи аномалій.

Гарантуємо прозорість: ви бачите кожен крок агента і можете втрутитися у будь-який момент.

Терміни

• Базовий Computer Use агент: 3–5 днів
• Конкретна задача автоматизації (одна форма/workflow): 1 тиждень
• Система з retry і human-in-the-loop: 2 тижні
• Production-деплой з моніторингом: 3–4 тижні

Оцініть свою задачу — зв'яжіться з нами, покажемо демо на вашому додатку. Отримайте консультацію інженера: заповніть форму на сайті з описом GUI-сценарію, і ми за 1 день оцінимо можливість автоматизації.

Anthropic Computer Use beta documentation

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові 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 двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.