Claude Platform 的 Agent 四件套全部转正：Computer Use、Browser Use、Skills API、Files API 正式 GA

如果你过去一年一直在用 Claude 的 computer use 或者 code execution 工具搭 Agent，大概率遇到过同一类烦恼：每次点一下鼠标、敲一行字，都要走一次完整的模型请求-响应循环，慢且贵；网页自动化靠像素坐标定位元素，页面稍微一改版就失效；给 Agent "喂"一套业务流程说明书，只能塞进系统提示词，既没有版本管理也无法按需加载；上传的文件资产也没有统一、稳定、可复用的存储层。

2026 年 8 月 19 日到 20 日，Anthropic 一次性把这几块长期停留在 beta 阶段的能力全部转正：computer use 工具、全新的 browser use 工具、Skills API、Files API 正式 GA，同步登陆 Claude Platform、Microsoft Foundry（Skills API 与 Files API），Google Cloud Vertex AI 上的 computer/browser 工具也在路上。Anthropic 官方博客把这次更新的定位说得很直白：这四样东西合在一起，才第一次真正具备了在生产环境里稳定跑"能操作软件的 Agent"的完整地基。这篇文章会把这四块拼图逐一拆开讲清楚，并给出可以直接照抄的调用示例。

一、背景：从"能演示"到"能上生产"

Computer use 工具从 2024 年底以 beta 形式登场以来，一直是 Claude Agent 生态里最具想象力也最容易"翻车"的能力——它让 Claude 能看着屏幕截图，像人一样点击、输入、滚动，从而操作那些根本没有 API 的老旧企业软件、Windows 桌面应用、内部管理后台。但 beta 阶段的痛点也很明显：

• 一次一动作：模型每决定一个鼠标点击或一次按键，就要发起一次完整的 API 往返，任务越复杂，延迟和 token 成本越高；
• 定位脆弱：无论是 computer use 还是普通浏览器自动化脚本，长期依赖屏幕坐标或 DOM 选择器，页面布局、分辨率、缩放比例一变就容易点空；
• "经验"没有归宿：团队沉淀的操作规范、报销流程、合规检查清单，除了写进又长又贵的系统提示词，没有更好的复用方式；
• 文件生命周期靠自己管：Agent 生成的报表、截图、文档散落在各处，没有统一的引用和过期机制。

这次 GA 更新，正是针对性地解决这四个问题。Anthropic 给出的样例场景很典型：保险科技公司 Asteroid 用这套组合拳做理赔处理 Agent——通过 Files API 读取客户提交的理赔材料，按 Skills API 里存好的理赔审核流程逐条核对，再用新的 browser use 工具在没有 API 的第三方理赔门户网站上完成提交，最后把回执存回 Files API。官方给出的数字是：这个流程原本单次处理耗时 32 分钟，切换到新工具链后压缩到 13 分钟，测试的多个工作流平均节省了约 30% 的成本。

二、Computer Use：一轮多动作 + 区域放大，正式达到 HIPAA 合规

新版本的正式类型名是 computer_toolset_20260801，作为一个"客户端工具集"（client toolset），底层由 17 个成员动作组成，覆盖鼠标、键盘、截图、等待等全部基础操作。相比 2025 年 11 月发布的 beta 版本 computer_20251124（老模型仍可通过 beta header 继续使用），这次转正主要带来两点实质性变化：

1. 批量动作（batch actions）。 过去 Claude 每次只能返回一个 tool_use block，对应一次鼠标或键盘操作；现在一次模型响应里可以连续返回多个动作，比如"点击搜索框 → 输入文字 → 截图确认"三连击,由调用方按顺序执行完再统一把结果打包回传。规则很明确：动作按顺序执行、任意一步失败就停止并跳过剩余步骤，返回时要给每个 block（包括被跳过的）都配一条 tool_result，跳过的那些用固定文案 "Not executed: an earlier computer action in this turn failed." 说明。这直接把原来"一次点击一次网络往返"的模式,优化成了"一批动作一次网络往返"，是这次更新里对延迟和成本改善最直接的一项。

2. zoom 动作默认开启。 新增的 zoom 成员动作允许 Claude 对截图里的某个矩形区域 [x0, y0, x1, y1] 做局部放大检查，用来看清小字、密集控件或者被压缩过的截图细节，GA 版本里默认启用（可以通过 configs.zoom.enabled: false 关掉）。

3. 合规资质到位。 computer use 工具现在已经具备在 HIPAA 相关业务协议（BAA）下处理受监管医疗数据工作负载的资质，这对于想拿它去做医疗、保险类流程自动化的团队是一个实质性的门槛跨越。

调用方式上，computer_toolset_20260801 作为一个 tool 类型直接放进 tools 数组即可，典型的最小示例：

import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-opus-5",
    max_tokens=1024,
    tools=[
        {"type": "computer_toolset_20260801"},
        {"type": "text_editor_20250728", "name": "str_replace_based_edit_tool"},
        {"type": "bash_20250124", "name": "bash"},
    ],
    messages=[{"role": "user", "content": "帮我把一张猫的图片保存到桌面"}],
)

Claude 会以 stop_reason: "tool_use" 返回一个或多个 tool_use block，每个都带有 toolset_name: "computer"：

{
  "type": "tool_use",
  "id": "toolu_01WkoTUvSHDzTBu2xnGk8Ep8",
  "name": "left_click",
  "toolset_name": "computer",
  "input": { "coordinate": [512, 742] }
}

调用方执行完对应操作后，把结果按同样的顺序、附带同一个 toolset_name 打包进下一轮的 tool_result 传回去，形成一个标准的采样循环（sampling loop）。需要特别注意的实现细节：坐标系统是"截图像素空间"而不是"屏幕物理空间"，如果发送前对截图做了降采样，点击坐标也要按比例换算回去；macOS Retina 屏要额外处理 2 倍的设备像素比；单次请求里的截图数量建议控制在 20 张以内，超出后模型对每张图片的分辨率限制会更严格。

安全方面，官方文档给出的建议清单值得每个接入方照做：在专用的、权限最小化的虚拟机或容器里运行；不要给 Agent 提供敏感凭据；把网络访问限制在白名单域名内；对高风险操作要求人工确认。GA 版本还内置了一个自动的提示注入分类器，会对可疑的页面内容/指令做拦截标记（如确有需要可联系支持团队申请关闭）。

三、全新的 Browser Use 工具：从"看像素"到"读结构"

如果说 computer use 面向的是任意桌面软件，那这次新增的 browser use 工具（browser_toolset_20260801）就是专门为 Web 应用场景优化的姊妹工具。它同样是一个客户端工具集，同样支持一轮多动作，但关键区别在于元素定位方式：不再单纯依赖截图上的像素坐标，而是解析页面结构（DOM/可访问性树），直接识别具体的输入框、按钮等元素并与之交互。

这个改动看似细节,实际影响很大——纯像素坐标定位的自动化脚本,最脆弱的地方就是页面稍微改版、字体渲染差异、窗口分辨率变化，坐标就全部失效；而基于页面结构定位，只要目标元素的语义角色没变（依然是"提交订单"按钮），布局怎么调整都不太影响识别的稳定性和跨环境的可复现性。对于前面提到的 Asteroid 理赔场景——在没有开放 API 的第三方保险门户网站上完成表单提交——这正是browser use 工具被验证过的典型任务形态。

需要指出的是，browser use 工具驱动的是"你的应用自己托管的浏览器"（client-hosted），也就是说执行环境仍然由调用方提供和控制，Anthropic 侧只负责生成动作指令,这与 computer use 依赖调用方提供操作环境的模式是一致的设计哲学：Claude 负责"决策"，执行环境的隔离与安全边界始终由接入方掌控。

四、Skills API：把团队经验变成可版本化、按需加载的资产

Skills（Agent Skills）本身不是这次才有的新概念，但 Skills API 的 GA 第一次把"上传自定义技能包、按版本管理、在需要时才加载"这套完整流程做成了正式产品能力。核心心智模型是渐进式披露（progressive disclosure）：

1. Claude 启动时先通过 GET /v1/skills 拉到所有可用 Skill 的元数据（名字 + 简短描述），这一步不会加载完整指令，成本极低；
2. 当一次具体请求的任务与某个 Skill 的描述匹配时，Claude 才会去加载该 Skill 的完整说明文档（比如详细的操作规范、代码模板），并在 Claude 自带的代码沙箱里执行相关代码——不需要你自己搭建执行环境。

调用方式是通过 Messages API 的 container.skills 字段声明启用哪些 Skill，并且必须搭配 code execution 工具一起使用（因为 Skill 的执行发生在代码沙箱里）：

response = client.messages.create(
    model="claude-opus-5",
    max_tokens=16000,
    container={
        "skills": [{"type": "anthropic", "skill_id": "pptx", "version": "latest"}]
    },
    messages=[
        {"role": "user", "content": "帮我做一份关于可再生能源的 5 页 PPT"}
    ],
    tools=[{"type": "code_execution_20260521", "name": "code_execution"}],
)

type: "anthropic" 表示这是 Anthropic 官方托管的预置 Skill（目前提供 pptx、xlsx、docx、pdf 四个文档处理类 Skill），如果换成自己上传的自定义 Skill，type 会是 custom。version 字段既可以固定成一个具体的 version_id 做灰度锁定，也可以填 "latest" 始终跟随最新发布版本。Claude 生成的产物（比如上面例子里的 PPTX 文件）会出现在响应里嵌套的 bash_code_execution_tool_result 结构中,携带一个 file_id，随后可以直接用 Files API 把它下载下来：

file_id = None
for block in response.content:
    if block.type == "bash_code_execution_tool_result":
        if block.content.type == "bash_code_execution_result":
            for output in block.content.content:
                file_id = output.file_id

if file_id:
    file_content = client.files.download(file_id=file_id)
    file_content.write_to_file("renewable_energy.pptx")

自定义 Skill 的版本管理模型值得单独说一句：新版本是一次完整快照，不是增量补丁——每次上传都要带上 Skill 的全部文件集合，遗漏的文件不会自动沿用上一版本,新版本 SKILL.md 里声明的名字也必须和该 Skill 已有的名字保持一致。这个设计强制团队把每个版本的 Skill 当作一个自包含、可独立回滚的单元来维护，避免"这个版本到底依赖了哪些散落文件"的排查噩梦。目前 Skills API 除了 Claude Platform 之外，也已经在 Microsoft Foundry 上线。

五、Files API：吞吐提升 5 倍，1TB 专属存储

Files API 这次的更新相对"低调"但同样是生产可用性的关键一环：速率限制提升到之前的 5 倍，每个组织获得 1TB 专属存储，并且支持自动的过期管理（不用自己写定时清理任务）。对于像上面理赔场景那样"读取输入文件 → 中间产出多份文档 → 引用之前生成的文件继续处理"的多步 Agent 工作流来说，Files API 承担的是"以 file_id 为单位在多轮请求之间稳定传递大对象"的角色——不需要每次都把整份文件内容塞进上下文窗口，只需要引用一个 ID。这次吞吐能力的提升，直接对应的是像 computer use 批量动作、Skills 产出文档这类会频繁读写文件的高并发 Agent 场景。

六、实践指南：把四件套拼成一个生产级 Agent

结合官方给出的理赔处理案例，一个把这四个组件串起来的典型 Agent 工作流大致是这样：

1. Files API 读取输入：客户上传的理赔材料（PDF、截图）先进 Files API，Agent 通过 file_id 引用，不需要每轮都重复上传；
2. Skills API 提供业务规则：把"理赔审核 SOP"上传为一个自定义 Skill 并打好版本号，Claude 判断当前任务与该 Skill 相关时自动加载完整审核流程，业务规则改了只需要发布新版本，不需要改代码;
3. Browser use 处理无 API 的第三方系统：在保险公司自己的门户网站上完成材料提交，靠页面结构定位而不是硬编码坐标，页面改版时的维护成本更低；
4. Computer use 兜底处理桌面遗留系统：如果流程中还涉及只能靠桌面客户端操作的老系统，用 computer use 的批量动作一次性完成"打开程序 → 填表 → 截图存证"这一串操作，减少往返延迟；
5. 回写 Files API：把最终的回执、审核记录重新存回 Files API，供后续环节或人工复核引用。

几条从这次更新里能直接提炼出的工程建议：

• 能用 browser use 就不要用 computer use：只要目标是网页应用，结构化定位天然比像素坐标更稳，出错率和维护成本都更低,computer use 更适合留给真正没有网页界面的桌面软件。
• 把"团队经验"从提示词里搬到 Skills 里：冗长、频繁变动的业务 SOP 塞进系统提示词，既浪费上下文窗口 token，又没有版本回滚能力；用 Skills API 管理之后，可以按 version_id 做灰度发布，出问题一键回退到旧版本。
• 善用批量动作压缩往返次数：设计 computer use 的调用逻辑时，尽量让模型一次性规划出一组连续动作（比如"打开菜单 → 点某一项 → 截图确认"），而不是每一步都单独发起请求，这是这次更新里对成本影响最直接的开关。
• 默认把 Agent 关进最小权限环境：无论是 computer use 还是 browser use，执行环境的隔离、网络白名单、高风险操作的人工确认，都是接入方自己的责任，Anthropic 只提供了"内置提示注入分类器"这一层兜底，不能替代基础的沙箱隔离。

七、总结与展望

这次 GA 更新的价值不在于单个能力有多"炫技"，而在于 Anthropic 第一次把"感知 + 操作 + 知识 + 存储"这四块此前各自为战的 beta 能力，收敛成了一套可以放心接入生产环境的完整工具链：computer use 解决"看得见、点得动"，browser use 解决"网页场景下点得更稳"，Skills API 解决"经验怎么复用和迭代"，Files API 解决"大文件怎么在多轮对话里稳定流转"。四者组合起来，指向的是一个更明确的产品判断：Agent 要真正在企业里干活，光会"聊天式回答问题"是不够的，还得能像一个新员工一样，打开系统、按流程办事、把结果存档。

值得关注的后续动作：Google Cloud Vertex AI 上的 computer use / browser use 支持还在路上，届时三大云平台（AWS Bedrock、Google Cloud、Microsoft Foundry）加上 Claude 原生 API 会形成更完整的多云覆盖；另外，Anthropic 目前没有公开这四项能力各自的独立定价细节,如果你的 Agent 计划里大量使用 computer use 截图循环，实际的 token 成本（官方文档提到单张截图大约消耗 1000–1800 输入 token）值得在正式上线前用真实工作流跑一次压测。对国内开发者而言，如果你已经在用 Claude Code 或者自建 MCP 工具链搭 Agent，这次更新意味着"操作没有 API 的老系统"和"沉淀团队 SOP"这两个长期缺失的拼图，现在都有了官方支持的正式方案，值得认真评估一次接入。

参考来源

• Build production agents with computer use, the Skills API, and the Files API — Claude by Anthropic
• Computer use tool — Claude Platform Docs
• Get started with Agent Skills in the API — Claude Platform Docs
• Agent Skills overview — Claude Platform Docs