Claudeのcomputer useツール正式版が複数アクションターンを採用、旧エージェントループは実行順序と中止セマンティクスへの対応が必要

Anthropicはcomputer use、Skills API、Files APIを正式提供へ移行し、Web作業向けのbrowser useも新たに追加した。技術面で最も重要な移行ポイントは`computer_toolset_20260801`だ。Claudeは単一ターンで複数のコンピューター操作を出力できるようになり、クリック、入力、スクリーンショットのたびにモデルを再度呼び出す必要がなくなった。browser useは画面上のピクセルだけでなくページ構造も読み取り、特定のフィールドやボタンを対象にできるため、ブラウザータブ内で完結する作業に適している。一方、完全なcomputer useでは、引き続き開発者がデスクトップ環境と実行ループを用意する。

複数アクションターンは、無視してもよい単なる形式拡張ではない。アプリケーションは、同じ応答に含まれるすべての`tool_use`ブロックを順番に実行しなければならない。後続のアクションが直前の状態に依存する可能性があるためだ。最初のアクションが失敗した場合、後続項目は未実行としてマークする必要があり、各`tool_result`には対応する`toolset_name`も含めなければならない。最初のブロックだけを読み取る、アクションを並列実行する、いずれかの結果を返し忘れるといった実装は、エラーやUI状態の分岐を引き起こす可能性がある。旧バージョンの`computer_20251124`から移行する際には、ツールのスキーマ、スケーリングのデフォルト値、キーの繰り返し入力、サイズが大きすぎるスクリーンショットの処理にも変更がある。Anthropicによると、従来のbeta統合もしばらくは動作するため、エンジニアリングチームは段階的に移行できる。

Skills APIでは、指示、スクリプト、テンプレートで構成されるフォルダーをアップロードしてバージョン管理し、リクエストごとに添付できるようになった。内容はAnthropicのコード実行サンドボックスに読み込まれる。Files APIでは、PDFやスプレッドシートを一度アップロードすれば、その後はIDで再利用できる。正式版では自動有効期限、5倍に引き上げられたレート制限、組織当たり1 TBのストレージが追加された。両APIを組み合わせることで、手順に関する知識、入力文書、画面操作、出力ファイルを単一のエージェントワークフローとして連携できる。

正式提供になったからといって、コンピューター操作エージェントに隔離が不要になったわけではない。Webページや画像には依然としてプロンプトインジェクションが含まれる可能性があり、デスクトップ環境、ログイン認証情報、ネットワークの外向き通信、高影響操作の確認は引き続き統合側が管理する。次のステップとして、バッチサイズがレイテンシーとスクリーンショットのtoken消費量に与える影響を実測し、操作履歴を完全に記録するとともに、低権限のサンドボックスで、失敗時の中止処理が後続アクションを確実に阻止するか検証すべきだ。