Η Google ενσωματώνει τη χρήση υπολογιστή στο Gemini 3.5 Flash ως ενσωματωμένο εργαλείο

Από ξεχωριστό μοντέλο σε ενσωματωμένο εργαλείο

Η δομική αλλαγή εδώ είναι μικρή στην περιγραφή αλλά μεγάλη στην πράξη. Η χρήση υπολογιστή διατίθετο προηγουμένως μόνο ως αυτόνομο μοντέλο Gemini 2.5 computer use. Σε αυτή την έκδοση, γίνεται ενσωματωμένο εργαλείο μέσα στο Gemini 3.5 Flash, δίπλα στα εργαλεία κλήσης συναρτήσεων και γείωσης (Search, Maps) που το Flash ήδη διαθέτει.

Αυτό έχει σημασία γιατί αλλάζει τον τρόπο σύνθεσης ενός agent. Αντί να κατευθύνει τα βήματα οδήγησης του UI σε ένα μοντέλο και τα βήματα συλλογισμού σε άλλο, ένας developer μπορεί να ζητήσει από μία μόνο εμφάνιση του Flash να δει, να συλλογιστεί και να ενεργήσει —με τα λόγια της Google— σε περιβάλλοντα περιήγησης, κινητών και desktop, στο πλαίσιο ενός ενιαίου κύκλου κλήσης εργαλείων. Τα ενδιάμεσα σημεία μεταξύ «κατανόησης της εργασίας» και «κλικ στο κουμπί» εξαφανίζονται από την επιφάνεια ενσωμάτωσης.

Οι δύο επιδείξεις είναι δουλειά frontend, όχι chatbots

Η Google παρουσιάζει τη δυνατότητα με δύο συγκεκριμένες εργασίες, και οι δύο είναι εργασίες μηχανικής frontend. Στην πρώτη, το 3.5 Flash αναλύει την εφαρμογή Gemini και επιστρέφει μια κατηγοριοποιημένη λίστα λειτουργιών. Στη δεύτερη, ελέγχει τη δική του τεκμηρίωση για ζητήματα προσβασιμότητας.

Δείτε τα ως πρότυπα. Η απογραφή λειτουργιών σε ένα ζωντανό UI είναι δουλειά χαρτογράφησης παλινδρομήσεων και κάλυψης. Ο έλεγχος προσβασιμότητας είναι μια εργασία που οι ομάδες frontend συνήθως αναβάλλουν, καθώς απαιτεί υπομονετική εξέταση μιας αποτυπωμένης διεπαφής. Και οι δύο είναι ακριβώς το είδος της επαναλαμβανόμενης εργασίας ανάγνωσης οθόνης που μπορεί να επιχειρήσει ένας agent που οδηγεί ένα πραγματικό πρόγραμμα περιήγησης, και αμφότερες είναι ρητά αυτό προς το οποίο η Google κατευθύνει τους developers με το πλαίσιο «συνεχούς δοκιμής λογισμικού».

Η διάκριση που αξίζει να διατηρήσετε: αυτό είναι ένας agent που λειτουργεί στην αποτυπωμένη επιφάνεια μιας εφαρμογής, όχι στον πηγαίο κώδικά της. Αυτό το κάνει χρήσιμο ακριβώς εκεί όπου δεν ελέγχετε ή δεν μπορείτε εύκολα να παρακολουθήσετε το frontend —εφαρμογές τρίτων, ενσωματωμένα widgets, ροές μεταξύ πλατφορμών.

Η έγχυση προτροπών αντιμετωπίζεται ως συνθήκη λειτουργίας, όχι ως ακραία περίπτωση

Κάθε agent που διαβάζει ένα ζωντανό UI μπορεί να διαβάσει κείμενο που έχει τοποθετήσει εκεί ένας κακόβουλος χρήστης. Η Google το αναγνωρίζει ευθέως και προσφέρει περισσότερα από μια απλή δήλωση αποποίησης ευθύνης. Υπάρχει στοχευμένη αντιπαραθετική εκπαίδευση ενσωματωμένη στο μοντέλο, καθώς και δύο προαιρετικά συστήματα διασφάλισης για επιχειρήσεις: ένα που απαιτεί ρητή επιβεβαίωση του χρήστη πριν από ευαίσθητες ή μη αναστρέψιμες ενέργειες, και ένα που διακόπτει αυτόματα μια εργασία όταν εντοπίζεται έμμεση έγχυση προτροπής.

Υιοθετώντας μια προσέγγιση «άμυνας σε βάθος», ενθαρρύνουμε τους developers να συνδυάζουν αυτές τις δυνατότητες με ασφαλή sandboxing, επαλήθευση με ανθρώπινη εποπτεία και αυστηρούς ελέγχους πρόσβασης.Montana Labs

Το ειλικρινές μήνυμα σε αυτή την πρόταση είναι ότι η εκπαίδευση σε επίπεδο μοντέλου δεν προσφέρεται ως επαρκής. Οι διασφαλίσεις είναι προαιρετικές και πολυεπίπεδες, πράγμα που σημαίνει ότι η ευθύνη για μια ασφαλή ανάπτυξη εξακολουθεί να βαραίνει την ομάδα που δημιουργεί τον agent. Εάν κατευθύνετε το Flash σε μια σελίδα που μπορεί να επεξεργαστεί ένας κακόβουλος χρήστης, η δουλειά sandboxing και ελέγχου πρόσβασης είναι δική σας ευθύνη.

Τι αλλάζει η εγγενής χρήση υπολογιστή για τις ομάδες που παραδίδουν αυτοματισμό UI

Η πρακτική συνέπεια είναι ότι ο αυτοματισμός UI σταματά να είναι μια εξειδικευμένη επιλογή μοντέλου και γίνεται ένας διακόπτης δυνατότητας μέσα στο μοντέλο που πιθανότατα ήδη χρησιμοποιούσατε για κλήσεις εργαλείων. Η πρόσβαση γίνεται μέσω του Gemini API και της Gemini Enterprise Agent Platform, με ένα περιβάλλον επίδειξης που φιλοξενείται από τη Browserbase για ομάδες που θέλουν να το δοκιμάσουν πριν συνδέσουν το δικό τους sandbox.

Για τις ομάδες frontend και QA, η δοκιμή βραχυπρόθεσμα είναι στοχευμένη και απαντητή: παράγει ένας agent που οδηγεί την αποτυπωμένη εφαρμογή μια απογραφή λειτουργιών ή μια αναφορά προσβασιμότητας στην οποία θα εμπιστευόσασταν αρκετά ώστε να ενεργήσετε; Η Google έχει προτάξει και τις δύο εργασίες ως επιδείξεις, γεγονός που τις καθιστά το δίκαιο σημείο αναφοράς. Το ζήτημα της υποδομής —sandboxing, πύλες επιβεβαίωσης, διακοπές έγχυσης— είναι πλέον αυτό που καθορίζει αν πρόκειται για επίδειξη ή για πραγματική ανάπτυξη.