Best Practices for Computer and Browser Use with Claude（Claude 计算机与浏览器使用最佳实践）

点击准确率是一切的地基。 把截图正确缩放、选对模型、管好上下文，能显著提升可靠性和成本效益。

最影响成败的一件事：图像缩放

Claude 4.6 系列的图像限制： - 最长边： 1568 像素 - 总像素： 115 万（1.15 megapixels）

超出阈值的图像会被静默降采样，导致坐标错位。推荐从 1280x720 起步——既在限制内又保持合理清晰度。

坐标换算（拿到 API 返回的坐标后要换回原生分辨率）：

screen_x = int(api_x * (screen_w / display_w))
screen_y = int(api_y * (screen_h / display_h))

内容顺序： 消息数组中文字指令放在图片之前，能提升准确率。

模型与思考强度选择

思考强度（thinking effort）建议： - Opus 4.7 默认 high（token 比 max 少约 50%，成功率接近）；成本敏感用 low；复杂一次性任务才用 max - Claude 4.6 系列默认 medium；高吞吐用 low（因错误更少，总 token 反而更省）

关键洞察：「一点点思考就大有帮助」——即使 low 也远好过不思考，因为它减少了重试循环。

小目标处理

复选框、图标、开关这类小元素是难点： - 密集 UI 开启 enable_zoom: True - 把目标做大——元素尺寸对可靠性的影响不成比例地大 - 用键盘替代： Tab 导航或快捷键常常胜过点击小元素

提示词注入防御（三层）

1. 训练时鲁棒性： 通过强化学习训练模型抵抗注入内容
2. 实时分类器： 用官方 computer_20251124 工具时自动扫描对抗性指令，无需配置
3. 持续红队： 安全研究员持续探测新攻击手法

无论分类器多有效，仍应：高风险操作人在环、严格限定 Agent 权限、监控并记录所有动作、把网页内容一律当作不可信。

长会话的上下文管理（三层）

1. 缓存断点： 稳定前缀（系统提示词）放一个，最近的工具结果放三个，实现优雅降级
2. 滚动缓冲： 只保留最近 N 张截图（推荐 keep_n=3、interval=25）。分批修剪以保证缓存前缀在两次修剪之间逐字节一致
3. LLM 压缩： 超过约 50 个动作的会话做摘要——「逐字保留所有用户指令……一旦丢失，Agent 就会跑偏」

服务端压缩（beta）可在 token 超阈值时自动完成这一步。

实验性技巧

• 批量工具（Batch Tools）： 把连续动作（点击+输入+按键）合并成单次调用——降低延迟和输出 token，但动作依赖视觉状态变化时有错误累积风险
• 顾问工具（Advisor）： 执行模型（Sonnet）+ 高智能顾问（Opus 4.7）中途提供战略指导，适合偶尔需要规划的长周期任务
• 演示教学（Teach Mode）： 录制用户操作流程并标注点击位置。Claude 会适配 UI 差异而非机械回放——「演示胜于描述」，能优雅应对界面变化

点击问题诊断表

三种方案怎么选

已验证无效的做法

• 网格叠加无用： 在截图上加坐标网格没有稳定的准确率提升
• 图像分块无用： 把截图切成四象限没有改善点击准确率
• max 思考强度没必要： 计算机使用任务上 max 不优于 high，只是更贵

结论

可靠性取决于对技术细节的系统性关注。「预先降采样你的截图」这一条的影响，几乎超过其他所有优化的总和。 生产级集成应组合：缓存感知的滚动缓冲 + 定期压缩 + 注入分类器 + 高风险动作人在环，并在代表性流程上测量缓存命中率、token 用量和错误模式来调参。