Google Gemini 2.5 ‘Computer Use’ 评测：一个会点击后退的浏览器
更新于 2025年10月9日
10 分钟
是否曾希望能够克隆自己，在您处理有趣部分的同时，让克隆体完成那些枯燥的点击操作？我尝试了一种类似的方法。它被称为 Google 的 Gemini 2.5 “Computer Use”，它是一种 AI，不仅可以撰写文字，还可以实际移动鼠标、滚动、在字段中输入内容，并在真正的浏览器窗口中工作，就像一位非常勤奋、非常字面意义上的助手。可以把它想象成“严格按照书面指示执行任务的实习生”，只是不需要咖啡休息。
在这篇评测中，我将向您展示 Gemini 2.5 Computer Use 在哪些方面表现出色，在哪些方面会遇到问题，它与其他 AI Agent 相比如何，以及普通人（不仅仅是开发者）是否应该尝试一下。在此过程中，我将穿插一些实用技巧、注意事项以及适度的怀疑态度。请系好安全带。
Gemini 2.5 Computer Use 究竟是什么？
想象一下，您告诉一个助手：“打开我的浏览器。转到那个航空公司网站。点击“登录”。粘贴我的确认码。现在只筛选靠过道的座位。” 这就是神奇之处：Gemini 2.5 Computer Use 可以像您一样操作浏览器——点击按钮、在表单中输入内容、遵循屏幕上的标签——尤其是在没有整洁的 API 来获取数据或触发操作时。它是一个行动的 Agent，而不仅仅是聊天的 Agent。Google 将其定位为针对 Web 任务（以及越来越多的移动式流程）优化的模型，使其可以在许多应用“不愿提供 API”，并且所有内容都隐藏在 JavaScript、Cookie 和验证码后面的情况下，访问信息并执行任务。
重大消息：Google 表示，这种 Computer Use 版本可通过 API 获得，并且专门针对浏览器和复杂的 UI 任务进行了调整。第三方测试人员报告称，在基于浏览器的评估中，它表现强劲，在某些情况下，在某些基准测试中，其准确性、速度甚至成本都超过了竞争对手（当然，您的实际使用情况可能会有所不同）。独立报道还指出，Google 一直致力于首先提高 Web 流程的可靠性，并且在内部“AndroidWorld”风格的基准测试中出现了一些新兴的 Android 任务能力。
为什么这很重要（一日生活）
让我们把互联网想象成一座巨大的、挑剔的办公大楼。API 就像友好的同事，他们会整齐地把数据交给您。网页呢？那些是您仍然需要亲自打开的锁着的柜子、吱吱作响的抽屉和密封严实的信封。Computer Use 就像一个可以走到走廊，打开柜子，并正确复制表格的实习生——缓慢、小心、一次点击一下。
如果您是一名在某个迷宫般的门户网站上提交每周时间表的自由职业者；一名在 20 个政府网站上填写相同表格的研究员；一名点击学校在线门户网站以更新紧急联系人的家长——这就是您可以外包给一个细心、字面意义上的机器人的那种繁琐工作。
使用体验如何
- 设置：在开发者领域，您通过 API 启动模型，提供指令，并定义环境（受控浏览器）。一旦它运行起来，您就可以使用任务“提示”Agent。您会看到它打开页面、点击按钮和填写字段。在用户方面——如果您的首选应用集成了它——您将获得类似这样的体验：“描述您想完成的家务”，然后看着光标开始工作。
- 氛围：想想耐心的自行车手，而不是一级方程式赛车。它采取慎重、可见的步骤。这既令人安心（您确切地看到它在做什么），又比像打了鸡血的松鼠一样埋头苦干的人类点击速度慢一点。但对于持续、重复、容易出错的家务？慢而稳才是王道。
- 防护措施：它不会失控。这些 Agent 受到严格的沙盒化限制，并受到内容和安全过滤器的约束，尤其是在通过 Vertex AI 进行的企业环境中。它们对敏感操作持谨慎态度，并且更喜欢清晰的指示，而不是“感觉”。如果您含糊不清，它会要求澄清。
擅长什么
- 在顽固的网站上填写表格：任何缺少适当 API 但具有一致标签的内容都是主要领域。
- 多步骤 Web 任务：登录（在允许的上下文中）、导航嵌套菜单、筛选结果、导出 CSV 以及上传或下载文件——如果网站的 UI 是稳定的。
- 重复的家务：每周工作流程、通过 Web UI 批量重命名、列出项目、从您允许查看的仪表板中提取数据。
- 冗长、枯燥的序列：那种让您走神的事情。Agent 不会走神。
不擅长什么
- 验证码和 MFA 障碍：在“证明您是人类”的时刻，您仍然需要成为成年人。
- UI 更改：如果网站的按钮文本或布局发生更改，Agent 可能需要轻推或重新提示。
- 速度狂：一个快速的人类有时可以更快地完成一个表单。这里的优势在于一致性和零抱怨。
- 含糊不清的提示：“帮我找到好的那些”不是一个计划。明确标准。
与竞争对手相比
- 与传统的聊天模型（仅限文本）相比：Computer Use 通过直接在浏览器中操作来划清界限。它不仅仅告诉您如何去做；它会去做。
- 与其他 Agent 模型相比：报告和早期测试表明，Gemini 2.5 Computer Use 在真实的浏览器任务中具有很强的竞争力，并且被定位为针对 Web 交互进行了优化。科技媒体的报道证实了“像您一样使用 Web 浏览器”的说法，并强调了对真实 UI 导航的关注。一些第三方基准测试机构表示，在他们的设置中，它在准确性和速度方面都遥遥领先，但与往常一样，基准测试就像星座运势——有趣，偶尔准确，不能替代您自己的测试。
- Web 与 Android：公开报告将其主要优化为 Web，并且在测试中出现了有希望的 Android 任务能力。如果您梦想它能自动运行您的整个手机，请暂时控制住期望。
一个小故事：航班变更
我给它出了一个经典的难题：“打开航空公司 X。登录。提取我即将到来的行程。将返程航班更改为星期六。选择一个靠过道的座位。应用里程。确认费用是否低于 100 美元；如果不是，则停止并报告。” 看着它感觉就像在训练一位新的助手。它导航到该网站，找到了“我的行程”，找到了正确的确认号码，并且… 在座位图上暂停了。标签不是很标准。它要求澄清：“靠过道的座位标有“A”，确认吗？” 我确认了。它继续进行——并把我带到了审核页面。费用是 149 美元。它按照指示停止，总结了变更费用，并将控制权交还给了我。不是什么魔法。非常有用。
隐私和安全
Google 的官方文档和企业路线强调可配置的安全和内容过滤器——基本上是 IT 部门喜欢的“不要点击红色按钮”开关。Agent 在受控环境中运行，您可以限制它可以查看或执行的操作。不过：不要将整个数字王国的钥匙交给任何 Agent。一个务实的折衷方案是限定凭据的范围（一项任务，一个帐户），对高风险的家务使用一次性或最小权限登录，并让 Agent 在点击“确认”之前展示其工作。
可用性和访问
Google 表示，Gemini 2.5 Computer Use 可通过 API 获得，重点是希望将这种“在浏览器中做事”的能力嵌入到其应用中的开发者和平台。面向消费者的访问取决于谁集成它——想想生产力工具、类似 RPA 的服务或可以代表您安全地启动浏览器会话的 AI 侧边栏。
真实世界的速度：它有多快？
如果您渴望立即获得满足，请记住：它的行为就像一个细心的学员。每个步骤都是可见和可验证的，这也是重点所在。它更多的是弥合“没有 API，没问题”的差距，而不是节省毫秒。在较长的工作流程中，稳定性会成为一种超能力。更少的错误。更少的返工。而且与我不同，它永远不会切换标签来查看天气。
获得最佳结果的技巧
- 明确说明：提供逐步说明、成功标准以及发生意外情况时该怎么办（例如，“如果费用超过 100 美元，则停止并总结”）。
- 使用稳定的网站：如果网站的布局每天都在变化，您将花费时间重新提示。从一致的 UI 开始。
- 保持凭据的范围限定：使用最小权限帐户并完成任务后撤销令牌，从而最大限度地降低风险。
- 要求预览：在提交不可逆转的操作之前，让它总结步骤或截取屏幕截图。
- 迭代：像对待食谱一样对待提示。调整配料，再次烘烤。
谁应该尝试
- 沉迷于门户网站的运营人员：如果您的工作是“在 12 个供应商网站上执行相同的 28 次点击”，这就是治疗。
- 没有工程资源的小团队：没有 API？没问题。让 Agent 驱动浏览器。
- 高级用户和 RPA 爱好者：如果您使用过机器人流程自动化，这就像 RPA 以自然语言“读取”页面一样。
未来的发展方向
- 更好的弹性：当页面更改时，采用更巧妙的适应方式。
- 更智能的错误恢复：“如果出现此模式，请尝试路径 B；如果登录失败，请提示用户进行 MFA。”
- 混合 API + UI 流程：在可用时使用 API，在不可用时回退到 UI。两全其美。
如果您生活在浏览器中，那么可以与多个模型对话并偶尔在页面中操作的 AI 侧边栏开始感觉像是世界上最好的瑞士军刀标签。Sider.AI 正好位于该领域：它是一个流行的 AI 侧边栏，集成了领先的模型，并帮助您直接在您正在阅读的页面上工作。并且还有一个友好的、通俗易懂的演练，介绍 Gemini 2.5 Computer Use 在实践中的感觉——并提醒您，它的行为更像是一个守法的自行车手，而不是一个速度赛车手。如果您好奇这如何融入您的日常浏览中，这是一个方便的入口。
优缺点一览
优点
- 可以端到端地执行真实的浏览器操作
- 擅长在顽固的网站上进行重复的、多步骤的家务
- 透明、可审核的逐步行为
- 企业环境的安全控制
缺点
- 在短时间内比快速的人类慢
- 验证码/MFA 仍然需要您
- 对 UI 更改和模糊的提示很敏感
- 需要仔细限定权限范围
结论
Gemini 2.5 Computer Use 不是一个华而不实的“看着它做我的工作”的机器人。对于您讨厌的枯燥浏览器家务，它是一个细心、可靠的助手。当任务冗长、重复且定义明确时，它会发光发热。当任务含糊不清、充满意外弹出窗口或被验证码阻止时，您仍然需要并肩作战。
如果您的工作日是 20% 的思考和 80% 的点击浏览笨拙的网站，那么这就是您的时刻。将单调乏味的工作变成机器人可以遵循的清单。让它成为遵守每个停车标志的自行车手，而您来决定您真正想去哪里。
还有最后一件事…
给未来的自己一份礼物：像为学习烹饪的青少年写食谱卡一样编写提示。“预热至 350 度。如果烤箱冒烟，请将其关闭。” 您对 Gemini 2.5 Computer Use 越清楚，它就越擅长将您的 Web 家务烹饪到完美——无需灭火器。
参考资料和延伸阅读
- Google 关于 Gemini 2.5 Computer Use 模型的公告。
- The Verge 概述了它如何操作真实的浏览器窗口。
- Web 优先优化和 Android 任务强度的早期报道。
- 关于浏览器 Agent 性能的第三方基准测试说明。
- Vertex AI 企业安全和内容过滤器配置。
- Sider.AI 首页和实践表单填写说明。
常见问题解答
Q1：Google Gemini 2.5 Computer Use 真的比人类快吗？
通常在短任务中不是。其价值在于可靠性和耐力——在冗长、重复的流程中，Agent 稳定的速度和低错误率可以击败匆忙的人类，尤其是在您考虑到零疲劳和完美记忆的情况下。
Q2：Gemini 2.5 Computer Use 最适合哪些类型的任务？
Web 浏览器中任何重复性的任务：多字段表单填写、仪表板筛选、下载报告或上传文件。当没有 API 且网站的布局相当稳定时，它是理想的选择。
Q3：Gemini 2.5 Computer Use 与其他 AI Agent 相比如何？
报道表明它针对浏览器任务进行了优化，并在第三方评估中表现出竞争力。与往常一样，在您的实际工作流程中进行测试——基准测试很有帮助，但您的网站和边缘情况才是真正的评判标准。
Q4：它可以为我处理验证码或多因素身份验证吗？
不能。预计您会介入验证码和 MFA 挑战。一种实用的设置是在这些步骤暂停 Agent，完成验证，然后让它继续。
Q5：Gemini 2.5 Computer Use 对敏感帐户安全吗？
它可以是，但需要有防护措施。使用最小权限凭据，严格限定访问范围，并启用安全和内容过滤器——尤其是在企业环境中。在提交风险操作之前，请要求 Agent 预览或解释步骤。
