Bạn đã bao giờ ước máy tính của mình sẽ tự động làm những công việc nhàm chán trong khi bạn đi pha cà phê chưa? Không phải những việc nhàm chán thú vị—như lướt xem những căn hộ cho thuê nghỉ dưỡng mà bạn không đủ khả năng chi trả—mà là những việc thực sự nhàm chán. Điền vào các biểu mẫu. Tải xuống các tệp phù hợp từ ba cổng thông tin khác nhau. Sao chép tổng từ Cột C sang Cột G mà không vô tình tính trung bình con mèo. Nếu đó là bạn, chào mừng bạn đến với "Sử dụng Máy tính" của Google Gemini 2.5, tính năng cho phép một tác nhân AI điều khiển trình duyệt của bạn theo đúng nghĩa đen như một thực tập sinh nhỏ bé, không mệt mỏi—một người không hỏi "hiệp lực" có nghĩa là gì.
Trong chuyến tham quan thân thiện này, chúng ta sẽ cùng nhau khám phá xem "Sử dụng Máy tính" của Gemini 2.5 thực sự là gì, nó hoạt động như thế nào, nó tỏa sáng ở đâu và nó vẫn nhấp nhầm nút ở đâu như chú của bạn khi thấy quảng cáo bật lên. Tôi sẽ chia sẻ các ví dụ thực tế, những điều cần lưu ý và những mẹo thực tế mà bạn muốn biết trước khi giao chìa khóa màn hình của bạn cho nó.
"Sử dụng Máy tính" của Gemini 2.5 là gì, bằng tiếng Việt dễ hiểu?
- Hãy nghĩ về nó như "AI với chuột và bàn phím". Thay vì chỉ trả lời các câu hỏi bằng văn bản, Gemini 2.5 Computer Use có thể vận hành trình duyệt web giống như cách bạn làm: nhấp vào liên kết, nhập vào các trường, cuộn, sao chép, dán, tải xuống tệp và hoàn thành các công việc vặt nhiều bước trên các trang web khác nhau—tất cả từ một hướng dẫn bằng ngôn ngữ tự nhiên duy nhất. Đó là sự khác biệt giữa "nói cho tôi biết cách thực hiện" và "hãy đi thực hiện nó".
- Nó chuyên về tự động hóa trình duyệt. Bạn đưa ra mục tiêu ("Tìm bảng sao kê thanh toán mới nhất, tải xuống PDF và gửi tổng số cho tôi qua email"), và nó điều khiển quy trình bên trong một phiên trình duyệt được kiểm soát, từng hành động một, với bản đồ của trang và bộ nhớ về những gì nó đã làm cho đến nay.
Tại sao điều đó lại quan trọng? Bởi vì hầu hết công việc của chúng ta hiện nay đều diễn ra trên trình duyệt: cổng thông tin nhân sự, bảng điều khiển nhà cung cấp, biểu mẫu chính phủ, cơ sở kiến thức, Google Drive, v.v. Nếu một bot có thể nhấp chuột an toàn như chúng ta—và không xóa Cleveland trong quá trình này—thì bạn đã có một công cụ tiết kiệm thời gian thiết thực.
"Sử dụng Máy tính" của Gemini 2.5 thực sự hoạt động như thế nào (không cần khoa trương)
Hãy hình dung một người lái xe cẩn thận trong một thành phố mới, sử dụng chỉ dẫn từng ngã rẽ:
- Nó nhận biết trang: Tác nhân đọc cấu trúc trang, không chỉ các pixel. Nó nhìn thấy các thành phần có thể nhấp, các trường văn bản, nhãn và bố cục, vì vậy nó có thể chọn đúng mục tiêu—ngay cả khi hai nút đều có nội dung "Tiếp tục". Nó giống như có tầm nhìn X-quang cho DOM.
- Nó lên kế hoạch cho bước tiếp theo: Từ hướng dẫn cấp cao của bạn, nó chia nhỏ công việc thành các hành động vi mô: nhấp vào liên kết này, nhập email đó, đợi cửa sổ bật lên, cuộn đến bảng, trích xuất dữ liệu. Nếu bạn đã từng ghi macro, điều này sẽ có cảm giác quen thuộc—ngoại trừ việc nó thích ứng giữa chừng nếu bố cục trang thay đổi.
- Nó hành động—và kiểm tra: Sau mỗi hành động, nó kiểm tra tính hợp lý: Thành phần mong đợi có xuất hiện không? Nút hiện đã bị vô hiệu hóa chưa? Nếu không, nó sẽ thử một đường dẫn khác. Vòng phản hồi này là cách nó tránh lái xe ra khỏi vách đá khi một trang tải chậm hoặc một trường cần một định dạng khác.
- Nó tự ghi lại: Hầu hết các lần chạy đều tạo ra một dấu vết hiển thị—những gì nó đã nhấp, những gì nó đã nhập, những gì nó đã tải xuống—mà bạn có thể xem lại. Lịch sử đó là vàng để gỡ lỗi và tuân thủ, đặc biệt nếu bạn đang tự động hóa một cái gì đó nhạy cảm như tài chính hoặc dữ liệu nhân sự.
Và vâng, nó có thể điều hướng qua nhiều trang web cùng một lúc—ví dụ: đăng nhập vào bảng điều khiển nhà cung cấp, thu thập giá cả, dán kết quả vào Google Sheet và gửi liên kết cho nhóm của bạn qua email. Đây là nơi nó có cảm giác ít giống một "chatbot" hơn và giống một trợ lý hơn—người mà—không giống như một trợ lý thực thụ—không để lại những mẩu giấy nhớ thụ động-tấn công trên màn hình của bạn.
Kiểm tra thực tế nhanh: nó tuyệt vời ở đâu, nó ngớ ngẩn ở đâu
Phần thú vị trước: Gemini 2.5 Computer Use xử lý:
- Các công việc nhàm chán lặp đi lặp lại trên web: điền vào biểu mẫu, tải lên tệp, tải xuống báo cáo và đi qua các cổng thông tin quản trị dường như được xây dựng có chủ đích để lãng phí các ngày thứ Ba.
- Xử lý dữ liệu trong trình duyệt: sao chép-dán giữa các tab, dọn dẹp bảng, di chuyển nội dung vào tài liệu hoặc trang tính và định dạng nó theo cách mà sếp của bạn thích (hay còn gọi là Cách Thật Sự Duy Nhất).
- Quy trình làm việc nhiều bước: Đi từ "tìm" đến "định dạng" đến "chia sẻ" mà bạn không cần phải trông nom các cú nhấp chuột.
Nhưng hãy giữ vững tinh thần. Giống như tất cả các tác nhân AI ban đầu, nó bị trục trặc khi:
- Các trang web quá năng động: Cuộn vô hạn và các cửa sổ bật lên ẩn khi di chuột có thể gây nhầm lẫn cho nó. Nếu bạn đã từng cố gắng nhấp vào một nút di chuyển như trò đập chuột, hãy tưởng tượng việc dạy một con robot làm điều đó.
- Captcha và cổng 2FA xuất hiện: Các tính năng bảo mật ngăn chặn bot được thiết kế để ngăn chặn bot. Bạn vẫn sẽ phải phê duyệt đăng nhập hoặc giải câu đố đôi khi.
- Các nhãn không rõ ràng tồn tại: Nếu một trang web có ba nút "Gửi" và nút ở giữa đặt mua một chiếc xe nâng, bạn sẽ muốn xác minh đường dẫn nhấp chuột lần đầu tiên.
Một ngày trong cuộc đời: ba trường hợp sử dụng thực tế
- Người xử lý chi phí: Bạn nói, “Đăng nhập vào TravelPortal.com, lấy ba biên lai chuyến đi gần đây nhất của tôi, tải xuống PDF và thả chúng vào thư mục Chi phí/2024 của tôi trong Drive. Sau đó, soạn một email tóm tắt cho bộ phận tài chính.” Tác nhân đăng nhập, điều hướng đến Biên lai, tải xuống các tệp, đổi tên chúng bằng ngày-chuyến đi-thành phố, tải lên Drive, tạo một danh sách gạch đầu dòng nhanh với tổng số và soạn email của bạn. Ta-da. Đó là 20 phút quản trị đã được tiết kiệm.
- Người kiểm tra giá nhà cung cấp: “So sánh giá niêm yết hiện tại của Model Z từ Nhà cung cấp A, B và C. Dán SKU và giá vào Google Sheet ‘Theo dõi giá quý 4’ của tôi và gắn cờ bất kỳ đợt giảm giá nào trên 8%.” Tác nhân truy cập ba trang web, tìm kiếm, thu thập các mô-đun giá, chuẩn hóa dữ liệu, cập nhật trang tính và đánh dấu các giao dịch.
- Yêu tinh cổng thông tin nhân sự: “Cập nhật địa chỉ của tôi trên cổng thông tin nhân sự, xác nhận tính đủ điều kiện hưởng các phúc lợi, tải xuống phiếu lương mới nhất và xác minh số dư PTO trong quý vừa qua.” Tác nhân lầm lũi một cách tận tâm qua mê cung. Bạn giám sát lần chạy đầu tiên; sau đó, đó là nghi thức hàng tháng của bạn mà không cần nghi thức.
Còn về an toàn, quyền riêng tư và “bạn có chắc là nó sẽ không gửi email cho người yêu cũ của tôi không?”
Computer Use chạy trong một môi trường bị hạn chế được thiết kế để giám sát. Nói theo cách của con người: Bạn có thể xem nó hoạt động, đặt giới hạn về những gì nó có thể truy cập và yêu cầu phê duyệt cho các bước nhạy cảm như gửi email hoặc chuyển tiền. Lịch sử phiên giúp bạn kiểm tra những gì đã xảy ra và tại sao. Ước mơ là “rảnh tay”, nhưng thực tế—đặc biệt là ban đầu—là “dõi theo trong lần đầu tiên, sau đó nới lỏng dây xích”. Đó không phải là một lỗi; đó là lẽ thường.
Mẹo thiết lập chuyên nghiệp (từ một người đã đặt nhầm một vài cú nhấp chuột)
- Bắt đầu từ những việc nhỏ: Giao cho nó những nhiệm vụ nhàm chán nhưng an toàn trước: tải xuống báo cáo, đổi tên tệp, sắp xếp bảng tính. Bạn xây dựng lòng tin; nó xây dựng một kịch bản mạnh mẽ.
- Đặt tên các thành phần để thành công: Nơi bạn kiểm soát các trang web hoặc bảng điều khiển nội bộ, hãy sử dụng các nhãn và ID rõ ràng. Tác nhân bám vào văn bản và cấu trúc có thể đoán trước như một con chó tha mồi vàng với một quả bóng tennis.
- Tạo một "đường dẫn hạnh phúc" trước: Ghi lại các cú nhấp chuột và các trường lý tưởng mà nó sẽ mong đợi. Sau đó, ném cho nó một quả bóng cong (tải chậm, hộp thoại bổ sung) và xem nó phục hồi như thế nào. Cải thiện từ đó.
- Giữ 2FA tiện dụng: Dự kiến sẽ phê duyệt đăng nhập hoặc dán mã cho các tài khoản được bảo vệ. Đó không phải là một sai sót; đó là một tính năng an toàn.
- Ghi lại mọi thứ: Lưu lịch sử hành động và ảnh chụp màn hình cho các quy trình làm việc nhạy cảm. Nếu có bất kỳ điều gì đi sai hướng, bạn sẽ biết ở đâu, khi nào và nút nào.
Nó so sánh với các "tác nhân AI" khác mà bạn đã nghe nói đến như thế nào?
Nếu bạn đã xem các bản trình diễn về trợ lý AI điều khiển màn hình của bạn, bạn đã thấy thể loại này: một tác nhân nhấp và nhập thay vì chỉ "trả lời". Gemini 2.5 Computer Use dựa vào tự động hóa web thông qua sự hiểu biết có cấu trúc về các trang, kiểm tra trạng thái sau mỗi hành động và ghi nhật ký mặc định là tốt. Trong thử nghiệm của tôi, nó đặc biệt giỏi các công việc "từ trình duyệt đến tài liệu"—kéo thứ gì đó từ một trang web, định hình lại nó và dán nó vào một tài liệu hoặc trang tính mà bạn có thể chia sẻ.
Nơi nó tụt hậu: bất kỳ quy trình làm việc nào dựa trên giao diện người dùng hoạt hình nặng và giật hoặc captchas. Điều đó không phải là duy nhất đối với Gemini; đó là trạng thái hiện tại của danh mục. Ưu điểm: khi một trang web ổn định, tác nhân có cảm giác có khả năng gây sốc. Khi không ổn định, bạn sẽ biết trang web nào bị dị ứng với tự động hóa nhanh hơn bạn có thể nói "biểu ngữ cookie".
Hướng dẫn nhanh: từ lời nhắc đến lợi ích
Hãy tự động hóa một nhiệm vụ thực tế: kéo các số liệu hàng quý từ ba bảng điều khiển và cập nhật tài liệu nhóm.
- Yêu cầu: “Mở Acme Analytics, BetaReports và GammaBoard. Xuất lưu lượng truy cập quý 3 theo nguồn dưới dạng CSV. Hợp nhất thành một bảng duy nhất trong Google Sheets, sau đó tạo một đoạn tóm tắt trong Tài liệu.”
- Những gì bạn sẽ thấy: Tác nhân đăng nhập (bạn phê duyệt bất kỳ 2FA nào), điều hướng đến từng trang "Báo cáo", chọn phạm vi ngày phù hợp, nhấp vào Xuất, tải xuống CSV, mở Trang tính, nhập từng tệp vào một tab mới, chuẩn hóa tiêu đề cột, thêm tab Tổng hợp và viết công thức SUMIF để tổng hợp lưu lượng truy cập theo nguồn. Sau đó, nó mở một Tài liệu, thả vào một đoạn tóm tắt với các điểm nổi bật và một liên kết đến Trang tính.
- Dọn dẹp: Bạn lướt qua Tài liệu, điều chỉnh một câu và nhấn Gửi. Mười phút giám sát so với một giờ lao động chân tay.
Góc khắc phục sự cố: khi bot gặp sự hỗn loạn
- Nó đã nhấp vào sai nút: Thêm ngữ cảnh vào hướng dẫn của bạn: “Nhấp vào nút ‘Tải xuống CSV’ màu xanh lam bên dưới Lưu lượng truy cập > Nguồn, không phải nút ‘Tải xuống PDF’ màu trắng ở trên cùng.” Tác nhân sử dụng cách diễn đạt của bạn để làm rõ các mục tiêu.
- Một cửa sổ bật lên đã chặn tiến trình: Cho nó biết phải làm gì trên các cửa sổ bật lên: “Đóng bất kỳ cửa sổ bật lên ‘Đánh giá trải nghiệm của bạn’, sau đó tiếp tục.” Lần chạy thứ hai thường sẽ suôn sẻ.
- Bố cục bảng đã thay đổi: Chỉ nó đến các nhãn, không phải vị trí: “Chọn danh sách thả xuống có nhãn ‘Phạm vi ngày’ và chọn ‘Quý trước.’” Tránh “trên cùng bên phải” và “nút thứ ba”, những thứ này sẽ bị hỏng khi một nhà thiết kế cảm thấy được truyền cảm hứng.
Còn về Sider.AI—nó có giúp ích gì ở đây không? Đây là một điều bất ngờ: Sider.AI (đó là những người bạn đang đọc ngay bây giờ) trang bị cho trình duyệt của bạn một trợ lý AI trên trang có thể soạn thảo, tóm tắt và điều phối các tác vụ nhiều bước ngay tại nơi bạn đang làm việc. Theo kinh nghiệm của tôi, việc kết hợp Gemini 2.5 Computer Use để điều khiển trình duyệt nặng với sự hỗ trợ trên trang của Sider tạo ra một cú đấm một-hai đẹp mắt. Bạn hãy để Gemini thực hiện cuộc chạy marathon nhấp chuột và bạn sử dụng Sider để đánh bóng các đầu ra, tạo email hoặc kiểm tra tính hợp lý của các con số mà không cần rời khỏi tab. Nó không phải là phép thuật, nhưng nó có cảm giác như thuê một người hiệu đính sống trong trình duyệt của bạn và không cần thẻ khóa. Khi nào không nên sử dụng Computer Use
- Bất cứ điều gì vi phạm các điều khoản của trang web hoặc các kỳ vọng về quyền riêng tư. “Bởi vì nó có thể nhấp” không phải là “bạn nên nhấp”.
- Các hành động một lần, không thể thay thế được—nộp đơn xin giấy phép sinh tử hoặc chuyển số tiền lớn—nơi con người phải xem xét từng bước.
- Công việc sáng tạo nơi nút thắt cổ chai không phải là nhấp chuột mà là phán đoán: chỉnh sửa video, thiết kế logo, thương lượng giá cả. Tác nhân có thể tìm nạp, định dạng và lưu trữ; nó sẽ không quyến rũ được nhà cung cấp.
Danh sách kiểm tra bắt đầu
- Chọn một tác vụ bạn lặp lại hàng tuần, tác vụ đó nằm trong trình duyệt và có cảm giác xác định. “Tải xuống báo cáo ngày hôm qua và đặt nó ở đây.”
- Viết kịch bản lý tưởng bằng tiếng Anh dễ hiểu. Bao gồm nhãn, không phải vị trí; kết quả, không phải cảm xúc.
- Chạy với sự giám sát. Phê duyệt bất kỳ lần đăng nhập nào. Xem lịch sử hành động.
- Thêm lan can bảo vệ: “Không gửi biểu mẫu; chỉ xem trước các bản tải xuống.”
- Lặp lại: Nếu nó vấp ngã, hãy cụ thể về việc sửa chữa và thử lại.
Các điều khoản in nhỏ mà bạn sẽ quan tâm sau
- Hiệu suất phụ thuộc vào trang web: Các trang tĩnh, được gắn nhãn tốt = nụ hôn của đầu bếp. Các trang động, tràn ngập quảng cáo, vui vẻ = mang đồ ăn nhẹ.
- Độ trễ là một vấn đề: Đó là nhấp chuột theo nhấp chuột, với các kiểm tra giữa các bước. Đó là những gì giữ cho nó đáng tin cậy—như một người lái xe cẩn thận, không phải một tay đua xe kéo.
- Bạn chịu trách nhiệm: Bạn có thể dừng các lần chạy, xem lại nhật ký và đặt quyền. Hãy nghĩ về nó như một máy chạy bộ với một nút DỪNG màu đỏ lớn. Sử dụng nó.
Điểm mấu chốt: Vậy, Gemini 2.5 Computer Use có đáng giá không?
Nếu một ngày của bạn bao gồm “mở năm trang web, nhấp vào cùng tám nút, lấy cùng một dữ liệu và đặt nó ở đâu đó”… thì có, đây chính xác là loại AI thiết thực giúp bạn tiết kiệm thời gian thực. Nó không phải là một quản gia khoa học viễn tưởng. Nó giống một thực tập sinh rất ngoan ngoãn, không bao giờ chớp mắt và luôn ghi lại công việc của mình. Đối xử với nó bằng sự giám sát thông thường giống như bạn sẽ dành cho một nhân viên mới và bạn sẽ nhận được lợi ích mà không gặp phải những rắc rối.
Lời khuyên của tôi: hãy bắt đầu với một công việc nhàm chán, tự động hóa nó và bỏ túi 20 phút mỗi tuần. Trong một tháng, bạn sẽ tự hỏi tại sao bạn từng tải xuống bất cứ thứ gì theo cách thủ công. Trong một năm, bạn sẽ quên mình có bao nhiêu mật khẩu—bởi vì bạn sẽ không phải là người nhập chúng.
Một điều cuối cùng: máy tính làm những việc của máy tính là tương lai—nhưng phán đoán của bạn là bí quyết. Giữ tay của bạn trên nút màu đỏ lớn và mắt của bạn trên giải thưởng. AI có thể nhấp. Bạn quyết định ở đâu.
Đọc thêm và hướng dẫn thực hành
- Một lời giải thích thân thiện về những gì Gemini 2.5 Computer Use thực sự có thể làm, với các ví dụ cụ thể về các tác vụ và biện pháp bảo vệ.
- Một đánh giá thực dụng với những nơi nó vượt trội và những nơi nó bị trục trặc, bao gồm so sánh với các công cụ tương tự.
- Hướng dẫn cách xây dựng quy trình làm việc tự động hóa trình duyệt để tổng hợp, làm sạch và chia sẻ dữ liệu mà không cần rời khỏi ghế của bạn.
Câu hỏi thường gặp
Q1: Google Gemini 2.5 Computer Use là gì một cách đơn giản?
Đó là một AI có thể điều khiển trình duyệt cho bạn—nhấp, nhập, tải xuống và điều hướng để hoàn thành các tác vụ bạn mô tả bằng tiếng Anh dễ hiểu. Hãy nghĩ về nó như một trợ lý cẩn thận tuân theo hướng dẫn của bạn từng bước một, không phải một lãnh chúa robot tự do.
Q2: Gemini 2.5 Computer Use xử lý tốt nhất những loại tác vụ nào?
Nó tỏa sáng ở các công việc nhàm chán trên trình duyệt, dựa trên quy tắc, lặp đi lặp lại: đăng nhập vào cổng thông tin, xuất báo cáo, sao chép dữ liệu và cập nhật tài liệu hoặc trang tính. Nếu bạn có thể thực hiện nó bằng cách nhấp vào cùng một nút mỗi tuần, Computer Use là một lựa chọn tuyệt vời.
Q3: Gemini 2.5 Computer Use có an toàn cho các quy trình làm việc nhạy cảm không?
Được sử dụng đúng cách, có—nó chạy trong một môi trường được kiểm soát, nơi bạn có thể xem, đặt quyền và xem lại nhật ký hành động. Bật phê duyệt cho các bước nhạy cảm như đăng nhập, thanh toán hoặc email và kiểm tra lần chạy đầu tiên trước khi để nó đi lang thang.
Q4: Làm cách nào để làm cho Computer Use của Gemini đáng tin cậy hơn?
Hãy cụ thể với các nhãn (không phải vị trí), xác định đường dẫn hạnh phúc và thêm hướng dẫn cho các cửa sổ bật lên và tải xuống. Bắt đầu từ những việc nhỏ, lặp lại sau lần chạy đầu tiên và giữ 2FA tiện dụng cho các tài khoản được bảo vệ.
Q5: Gemini 2.5 Computer Use gặp khó khăn ở đâu?
Các trang động có các thành phần chuyển động, các cửa sổ bật lên hung hăng, captchas hoặc nhiều nút giống hệt nhau có thể làm nó vấp ngã. Trong những trường hợp đó, hãy thêm hướng dẫn rõ ràng hơn, chia nhỏ tác vụ thành các bước nhỏ hơn hoặc xử lý các phần khó một cách thủ công.
