Claude computer use 最佳实践：分辨率配置、思考深度与回放机制

Anthropic 发布《Claude computer use 最佳实践》指南，为开发者提供基于 Claude 4.6 与 Opus 4.7 的电脑与浏览器自动化集成方案。该指南明确推荐 1280×720 或根据 API 上限动态计算分辨率，强调文本指令需置于图像之前发送。以下将从分辨率配置、点击精度优化、思考深度调优及工作流回放四个维度，拆解 Claude computer use 最佳实践的核心工程模式。

Claude computer use 最佳实践：分辨率配置与坐标缩放

API 的图像内部处理上限是决定点击准确性的首要变量。据 Anthropic 内部测试，Claude 4.6 模型系列（包含 Opus 4.6、Sonnet 4.6、Haiku 4.5）的 API 限制为长边 1568 像素、总像素 1.15M，超出此范围会自动缩小导致分辨率失配。Opus 4.7 支持更高规格，长边限制提升至 2576 像素，总像素上限为 3.75M。

开发者必须将截图预缩放至 API 限制内再发送，并在接收到模型返回的坐标后按比例还原至真实屏幕尺寸。推荐默认采用 1280×720 分辨率，该规格消耗约 80% 像素预算，兼容绝大多数现代 Web UI 与桌面软件。若追求更高画质，可通过公式根据源图像宽高比动态计算适配尺寸，避免强制拉伸导致的信息丢失。

点击精度优化与小目标策略

点击目标的大小直接决定自动化成功率，Checkbox、系统托盘图标或展开箭头等微型控件在低分辨率下极易识别失败。Anthropic 建议优先检查消息数组顺序，必须将 text 指令置于 image 截图之前发送，这能显著提升模型在视觉处理时的目标对齐精度。

针对高频点击微小控件的场景，启用 enable_zoom 配置是标准做法，该功能允许模型先放大特定区域进行高分辨率检视后再执行点击。若 UI 可自定义，适当调低系统 DPI 或放大浏览器缩放比例能成倍提升成功率。对于极小元素，改用键盘快捷键或 Tab 键导航比强制点击更稳定。Sonnet 4.6 在机械点击精度上表现优异且抗缩放压缩能力强，适合多数点击任务；Opus 4.7 则因分辨率预算更高，进一步缩小了与 Sonnet 的点击差距。

自适应思考深度与模型选择

Anthropic 引入的自适应思考机制允许模型根据任务复杂度动态分配推理预算，开发者可通过 thinking 参数设定 low、medium、high 等档位。在 Opus 4.7 上，开启 high 档位即可在 OSWorld 基准测试中达到接近 max 的成功率，同时输出开销仅为 max 档位的一半。

对于 4.6 系列模型，medium 档位是性能与成本的最佳平衡点，多轮重试后成功率可收敛至 high 档位水平。若需高吞吐与极低延迟，low 档位表现惊喜且总输出 token 甚至低于关闭思考模式。复杂单步任务推荐使用 Sonnet 4.6 配合 short thinking 完成机械执行，规划层交由 Opus 4.7 执行。高级编排架构可采用 orchestrator 加 sub-agent 模式分离决策与执行。

工作流录制与智能回放架构

持久化工作流的核心在于同时记录 DOM selector 与屏幕坐标双重信息，前者抵御布局微调，后者提供视觉兜底。录制阶段需捕获点击事件、键盘输入、导航变动及每一步的截图，并在截图上绘制可视化锚点标记记录点击位置。

回放阶段需构造包含用户意图、上下文指令与步骤截图的完整消息体。上下文块必须明确声明蓝色圆形仅为录制注释，要求模型根据当前浏览器视图自主匹配目标元素。提供 strict、adaptive 与 goal-oriented 三种执行模式可覆盖合规审计、日常自动化与高频变动场景。当步骤过长导致输入 token 超标时，可先使用模型对工作流进行摘要压缩再传入回放引擎。

本指南总结的分辨率缩放、指令前置、自适应思考阈值与双模回放机制，构成了当前 Claude computer use 最佳实践的工程基线。考虑到 API 图像处理存在硬性物理限制，实际部署时建议结合第三方自动化框架进行回归测试。开发者可通过官方 GitHub 仓库获取完整 demo 实现，并参考原始研究论文进一步定制垂直场景的 agent harness。