gemini-skill
通过 Gemini 官网(gemini.google.com)执行生图、对话等操作。用户提到"生图/画图/绘图/nano banana/nanobanana/生成图片"等关键词时触发。操作方式分三级优先级:首选 MCP 工具 → 次选 Skill 脚本 → 最次连接 Skill 浏览器手动操作(需用户授权)。禁止自行启动外部浏览器访问 Gemini。
Safety scan
A static text scan, not a guarantee. Select the badge to see what was scanned and every finding.
Badge for your README
Markdown
[](/listings/wjz-p--gemini-skill)HTML
<a href="/listings/wjz-p--gemini-skill"><img src="/api/listings/wjz-p--gemini-skill/badge.svg" alt="findsafeskills safety rating" /></a>Install
Install instructions from the README
As written by the repo's author. findsafeskills has not verified these steps.
前置条件
- **Node.js** ≥ 18 - **Chrome / Edge / Chromium** — 系统上需安装任一浏览器(或通过 `BROWSER_PATH` 指定路径) - 浏览器需提前 **登录 Google 账号**(Gemini 需要登录才能使用)
安装依赖
git clone https://github.com/WJZ-P/gemini-skill.git cd gemini-skill npm install
<br>
What was scanned
The files the safety scan read, as written by the repository's author and shown as plain text. Lines with a finding are marked.
SKILL.md · Manifest · 163 lines
View this file on GitHub (read at the repository's current version: the scan did not record which commit it read)
- ---
- name: gemini-skill
- description: 通过 Gemini 官网(gemini.google.com)执行生图、对话等操作。用户提到"生图/画图/绘图/nano banana/nanobanana/生成图片"等关键词时触发。操作方式分三级优先级:首选 MCP 工具 → 次选 Skill 脚本 → 最次连接 Skill 浏览器手动操作(需用户授权)。禁止自行启动外部浏览器访问 Gemini。
- ---
- # Gemini Skill
- ## ⚠️ 操作优先级(必须遵守)
- 与 Gemini 的一切交互,按以下优先级选择方式:
- 1. **🥇 首选:调用 MCP 工具** — 直接调用本 Skill 暴露的 MCP 工具完成操作,覆盖绝大多数场景
- 2. **🥈 次选:运行 Skill 脚本** — 当 MCP 工具无法满足需求时,可运行本 Skill 项目中提供的脚本来完成
- 3. **🥉 最次:连接 Skill 管理的浏览器** — 仅当前两种方式都无法解决时,可通过 `gemini_browser_info` 获取 CDP 连接信息,主动连接到本 Skill 管理的浏览器进行操作。**此方式必须先征得用户同意**
- **绝对禁止**:自行启动新的浏览器实例访问 Gemini 页面(如使用 OpenClaw 浏览器、另起 Puppeteer 等),这会导致会话冲突。
- > 浏览器 Daemon 未运行时 MCP 工具会自动拉起,无需任何手动操作。
- ## 📡 进度同步 & 长耗时工具规则
- MCP 工具调用(尤其是生图、等待回复等)可能耗时较长(60~180 秒)。必须遵守以下规则:
- - **本 Skill 所有 MCP 工具均为同步阻塞调用**,会等到最终结果才返回。不存在"中间状态"需要轮询。
- - 调用长耗时工具时,`timeoutMs` 必须设为 ≥180000(3 分钟),避免传输层提前超时截断。
- - **禁止在未收到工具最终返回前结束对话**或向用户报告"还在运行"/"工具超时"。
- - 每隔 15~30 秒向用户发送一条进度消息(如"正在等待 Gemini 生成图片…已等待 30 秒…"),保持反馈。
- - 拿到最终结果后**立即**回传产物(文件路径)或报告错误,不得遗漏。
- - 若 `fullSize` 模式失败,可降级重试 `fullSize=false`(预览图模式更稳定)。
- ## 触发关键词
- - **生图任务**:`生图`、`画`、`绘图`、`海报`、`nano banana`、`nanobanana`、`image generation`、`生成图片`
- - 若请求含糊,先确认用户是否需要生图
- ## 使用方式
- 本 Skill 通过 MCP Server 暴露工具,AI 直接调用即可。
- 浏览器启动、会话管理、图片提取、文件保存等流程已全部封装在工具内部。
- ### ⚠️ 强制规则
- > **AI 必须始终通过 MCP 工具完成所有操作。**
- >
- > 禁止绕过 MCP 自行编写临时脚本(如 `node -e "..."` 或创建 `.js` 临时文件)来
- > `import` / `require` 本项目导出的函数(如 `createGeminiSession`、`createOps` 等)。
- >
- > 如果 MCP 工具确实无法满足当前需求,AI **必须先向用户说明原因并获得明确同意**,
- > 才能编写临时脚本调用底层 API。未经用户同意,一律禁止。
- ### 可用工具
- **核心生图(封装完整流程):**
- | 工具名 | 说明 | 入参 |
- |--------|------|------|
- | `gemini_generate_image` | 完整生图流程:新建会话→发prompt→等待→提取图片→保存本地(耗时约 60~120 秒) | `prompt`,`newSession`(默认false),`referenceImages`(参考图路径数组),`fullSize`(默认true,高清原图;false则预览图),`timeout`(默认120000ms) |
- **会话管理:**
- | 工具名 | 说明 | 入参 |
- |--------|------|------|
- | `gemini_new_chat` | 新建一个空白对话 | 无 |
- | `gemini_temp_chat` | 进入临时对话模式(不保留历史记录) | 无 |
- **模型切换:**
- | 工具名 | 说明 | 入参 |
- |--------|------|------|
- | `gemini_switch_model` | 切换 Gemini 模型 | `model`(`pro` / `quick` / `think`) |
- **文本对话:**
- | 工具名 | 说明 | 入参 |
- |--------|------|------|
- | `gemini_send_message` | 发送文本消息并等待回答完成,直接返回 Gemini 的回复文本 | `message`,`timeout`(默认120000ms) |
- **图片操作:**
- | 工具名 | 说明 | 入参 |
- |--------|------|------|
- | `gemini_upload_images` | 上传图片到输入框(仅上传不发送,可配合 send_message) | `images`(路径数组) |
- | `gemini_get_images` | 获取会话中所有已加载图片的元信息 | 无 |
- | `gemini_extract_image` | 提取指定图片的 base64 并保存到本地 | `imageUrl`(从 get_images 获取) |
- | `gemini_download_full_size_image` | 下载完整尺寸的高清图片,默认最新一张,可指定索引 | `index`(可选,从0开始,从旧到新) |
- | `gemini_share_latest_image` | 为图片创建公开分享链接并直接返回链接,默认最新一张 | `index`(可选),`timeout`,`copyToClipboard`,`closeDialog` |
- **文字回复提取:**
- | 工具名 | 说明 | 入参 |
- |--------|------|------|
- | `gemini_get_all_text_responses` | 获取会话中所有文字回复(仅文字,不含图片) | 无 |
- | `gemini_get_latest_text_response` | 获取最新一条文字回复 | 无 |
- **登录状态:**
- | 工具名 | 说明 | 入参 |
- |--------|------|------|
- | `gemini_check_login` | 检查是否已登录 Google 账号 | 无 |
- **页面导航:**
- | 工具名 | 说明 | 入参 |
- |--------|------|------|
- | `gemini_navigate_to` | 打开指定的 Gemini 页面 URL(如历史会话链接),仅允许 gemini.google.com 域名 | `url`(目标 URL),`timeout`(默认30000ms) |
- **诊断 & 恢复:**
- | 工具名 | 说明 | 入参 |
- |--------|------|------|
- | `gemini_probe` | 探测页面各元素状态(输入框、按钮、模型等) | 无 |
- | `gemini_reload_page` | 刷新页面(卡住或异常时使用) | `timeout`(默认30000ms) |
- | `gemini_browser_info` | 获取浏览器连接信息(CDP 端口、wsEndpoint 等) | 无 |
- ### 典型用法
- **快速生图(一步到位):**
- 1. 调用 `gemini_generate_image`,传入 prompt → 返回本地图片路径
- **生图并拿分享链接:**
- 1. 调用 `gemini_generate_image` 生成图片
- 2. 调用 `gemini_share_latest_image` 返回公开链接
- **灵活组合(细粒度控制):**
- 1. `gemini_new_chat` — 新建会话
- 2. `gemini_switch_model` → `pro` — 切换到高质量模型
- 3. `gemini_upload_images` — 上传参考图
- 4. `gemini_send_message` — 发送描述词
- 5. `gemini_get_images` → `gemini_extract_image` — 获取并保存图片
- **排障:**
- 1. `gemini_probe` — 看看页面元素有没有就位
- 2. `gemini_reload_page` — 页面卡了就刷新
- 3. `gemini_browser_info` — 获取 CDP 信息自行连接调试
- ## MCP 客户端配置
- ```json
- {
- "mcpServers": {
- "gemini": {
- "command": "node",
- "args": ["<项目绝对路径>/src/mcp-server.js"]
- }
- }
- }
- ```
- 也可通过 `npm run mcp` 手动启动。
- ## 失败处理
- 工具内部已包含重试逻辑。若仍然失败,返回值的 `isError: true` 和错误信息会告知原因:
- - **生成超时** — 建议用户简化描述词后重试
- - **Daemon 未启动** — 工具会自动拉起,若仍失败可手动 `npm run daemon`
- - **页面异常** — 可调用 `gemini_browser_info` 查看浏览器状态排查
- ## 参考
- - 详细执行与回退:`references/gemini-flow.md`
- - 关键词与路由:`references/intent-routing.md`
README.md · README · 538 lines
View this file on GitHub (read at the repository's current version: the scan did not record which commit it read)
- ## 通过 CDP 操控 Gemini 网页版,实现 AI 生图、对话、图片提取等自动化操作。
- <!-- PROJECT SHIELDS -->
- <div align="center">
- <a href="https://github.com/WJZ-P/gemini-skill/graphs/contributors">
- <img src="https://img.shields.io/github/contributors/WJZ-P/gemini-skill.svg?style=flat-square" alt="Contributors" style="height: 30px">
- </a>
-
- <a href="https://github.com/WJZ-P/gemini-skill/network/members">
- <img src="https://img.shields.io/github/forks/WJZ-P/gemini-skill.svg?style=flat-square" alt="Forks" style="height: 30px">
- </a>
-
- <a href="https://github.com/WJZ-P/gemini-skill/stargazers">
- <img src="https://img.shields.io/github/stars/WJZ-P/gemini-skill.svg?style=flat-square" alt="Stargazers" style="height: 30px">
- </a>
-
- <a href="https://github.com/WJZ-P/gemini-skill/issues">
- <img src="https://img.shields.io/github/issues/WJZ-P/gemini-skill.svg?style=flat-square" alt="Issues" style="height: 30px">
- </a>
-
- <a href="https://github.com/WJZ-P/gemini-skill/blob/main/LICENSE">
- <img src="https://img.shields.io/github/license/WJZ-P/gemini-skill.svg?style=flat-square" alt="License" style="height: 30px">
- </a>
-
- <a href="https://atomgit.com/WJZ_P/gemini-skill">
- <img src="https://atomgit.com/WJZ_P/gemini-skill/star/new_badge.svg" alt="AtomGit Stars" style="height: 30px">
- </a>
- </div>
- <br>
- <!-- PROJECT LOGO -->
- <p align="center">
- <a href="https://github.com/WJZ-P/gemini-skill/">
- <img src="markdown/gemini-color.svg" alt="Logo" width="96" height="96">
- </a>
- </p>
- <h1 align="center">Gemini Skill</h1>
- <p align="center">
- <a href="#-使用">快速开始</a>
- ·
- <a href="https://github.com/WJZ-P/gemini-skill/issues">报告 Bug</a>
- ·
- <a href="https://github.com/WJZ-P/gemini-skill/issues">提出新特性</a>
- </p>
- <p align="center">
- <a href="./README.en.md">English</a> | 中文
- </p>
- <br>
- <p align="center">
- <a href="https://www.bilibili.com/video/BV1e54y1z7XM">
- <img src="markdown/home.png" alt="纯蓝">
- </a>
- </p>
- <h2 align="center">
- 「剥开了尖刺 却正如你曾经说
- 赖以生存的温柔只是白纸
- 盛着破碎的梦和我们的故事」
- </h2>
- ## 目录
- - [功能特性](#-功能特性)
- - [架构](#️-架构)
- - [安装](#-安装)
- - [配置](#️-配置)
- - [Atlas Cloud Provider](#-atlas-cloud-provider)
- - [Bloome](#-懒得配环境让-gemini-skill-跑在云上)
- - [使用](#-使用)
- - [MCP 工具列表](#-mcp-工具列表)
- - [Daemon 生命周期](#-daemon-生命周期)
- - [项目结构](#-项目结构)
- - [注意事项](#️-注意事项)
- - [To Do List](#-to-do-list)
- - [License](#-license)
- <br>
- <!-- EXAMPLE -->
- <p align="center">
- <img src="./markdown/example.png" alt="Gemini 生图示例" width="100%">
- </p>
- <p align="center"><em>▲ 通过 AI 对话自动生成表情包</em></p>
- <br>
- ## 🆕 最新更新
- **v1.1.1**(2026-05)— 适配新版模型菜单 UI:
- - ✅ 模型枚举更新:`pro` / `flash` / `flash-lite`(替换旧的 `pro` / `quick` / `think`)
- - ✅ 当前模型读取改为 `.picker-primary-text` innerText
- - ✅ 模型切换改为遍历菜单项 + label 文本匹配(i18n 安全)
- - 🆕 新增思考深度切换:`getThinkingDepth()` / `setThinkingDepth('standard'|'extended')`
- - 🆕 新增 MCP 工具 `gemini_set_thinking_depth`
- **v1.1.0**(2026-05)— 已适配 Gemini **2026 年 5 月最新版 UI**:
- - ✅ 加号面板按钮(`gem-icon-button[arialabel="上传和工具"]`)
- - ✅ 发送按钮(`gem-icon-button.send-button`)
- - ✅ 下载完整尺寸按钮(`download-generated-image-button` 自定义元素)
- - ✅ 图片上传完成检测(`.gem-attachment-content.loading`)
- - ✅ 状态判断兼容新 UI 的 `gem-icon-button` 包装层
- - ♻️ 全部选择器保留旧 UI 兜底,新旧版本均可工作
- <br>
- ## ☁️ Atlas Cloud Provider
- <p align="center">
- <img src="./markdown/atlas-cloud-provider.png" alt="Atlas Cloud Logo" width="100%">
- </p>
- > Atlas Cloud 是一个 full-modal AI inference platform,为开发者提供统一 AI API,可一站式访问视频生成、图像生成和 LLM API。接入一次,即可统一访问跨模态的 300+ 精选模型。
- >
- > 官方链接:[https://www.atlascloud.ai/?utm_source=github&utm_medium=link&utm_campaign=gemini-skill](https://www.atlascloud.ai/?utm_source=github&utm_medium=link&utm_campaign=gemini-skill)
- >
- > Atlas Cloud 现提供新的 coding plan 优惠入口,便于更低成本接入 API:
- > `https://www.atlascloud.ai/console/coding-plan`
- 本仓库现在内置了一个**最小侵入**的 Atlas Cloud provider 方案:
- - 不改动原有 Gemini 浏览器自动化主链路
- - 新增 OpenAI 兼容的 Atlas Cloud API provider
- - 支持模型枚举、普通对话、Streaming 对话验证
- - 适合把本项目同时作为 Gemini 自动化 skill + MaaS provider 接入样例
- ## ☁️ 懒得配环境?让 gemini-skill 跑在云上
- <p align="center">
- <a href="https://bloome.im/app?ref=bvsEWoFx&utm_medium=github&utm_source=WJZ-P-gemini-skill-ivor-202606">
- <img src="./markdown/bloome-home.png" alt="Bloome" width="100%">
- </a>
- </p>
- 不用装 Node、不用搭环境——在 [Bloome](https://bloome.im/app?ref=bvsEWoFx&utm_medium=github&utm_source=WJZ-P-gemini-skill-ivor-202606) 上点一下,gemini-skill 就能在云端跑起来,浏览器和手机都行。
- Bloome 是一个 AI Agent IM 平台:把多个 AI agent(Claude、ChatGPT、Gemini、DeepSeek 等)放进同一个对话,像团队成员一样协作——自动分工、互相交接、交叉校验,把结果打磨到靠谱为止,还能直接在对话里出图、生成文档和可视化看板。喜欢用 gemini-skill 画图的话,正好让这支 agent 团队帮你把「想法 → 提示词 → 成图」整条链路跑顺。
- 配好的 agent 还能一键分享给朋友、或拉进群一起用,每个人都无需各自部署——零配置、开箱即用,云端随时可跑。👉 [立即体验 Bloome](https://bloome.im/app?ref=bvsEWoFx&utm_medium=github&utm_source=WJZ-P-gemini-skill-ivor-202606)
- <br>
- ## ✨ 功能特性
- | | 功能 | 说明 |
- |:---:|------|------|
- | 🎨 | **AI 生图** | 发送 prompt 自动生成图片,支持高清原图下载 |
- | 💬 | **文本对话** | 与 Gemini 进行多轮对话 |
- | 🖼️ | **图片上传** | 上传参考图片,基于参考图生成新图 |
- | 📥 | **图片提取** | 提取会话中的图片,支持 base64 和 CDP 完整尺寸下载 |
- | 🔄 | **会话管理** | 新建会话、临时会话、切换模型、导航到历史会话 |
- | 🧹 | **自动去水印** | 下载的图片自动移除 Gemini 水印 |
- | 🤖 | **MCP Server** | 标准 MCP 协议接口,可被任何 MCP 客户端调用 |
- | ☁️ | **Atlas Cloud Provider** | 新增 OpenAI 兼容 Provider,支持模型枚举、文本生成和流式响应验证 |
- <br>
- ## 🏗️ 架构
- ```
- ┌─────────────────────────────────────────────────────┐
- │ MCP Client (AI) │
- │ Claude / CodeBuddy / ... │
- └──────────────────────┬──────────────────────────────┘
- │ stdio (JSON-RPC)
- ▼
- ┌─────────────────────────────────────────────────────┐
- │ mcp-server.js (MCP 协议层) │
- │ 注册所有 MCP 工具,编排调用流程 │
- └──────────────────────┬──────────────────────────────┘
- │
- ▼
- ┌─────────────────────────────────────────────────────┐
- │ index.js → browser.js (连接层) │
- │ ensureBrowser() → 自动拉起 Daemon → CDP 直连 │
- └──────────┬──────────────────────────────┬───────────┘
- │ HTTP (acquire/status) │ WebSocket (CDP)
- ▼ ▼
- ┌──────────────────────┐ ┌─────────────────────────┐
- │ Browser Daemon │ │ Chrome / Edge │
- │ (独立后台进程) │───▶│ gemini.google.com │
- │ daemon/server.js │ │ │
- │ ├─ engine.js │ │ Stealth + 反爬检测 │
- │ ├─ handlers.js │ └─────────────────────────┘
- │ └─ lifecycle.js │
- │ 30 分钟惰性销毁 │
- └──────────────────────┘
- ```
- **核心设计理念:**
- - **Daemon 模式** — 浏览器进程由独立 Daemon 管理,MCP 调用结束后浏览器不关闭,30 分钟无活动才自动释放
- - **按需自启** — Daemon 未运行时 MCP 工具会自动拉起,无需手动启动
- - **Stealth 反爬** — 使用 `puppeteer-extra-plugin-stealth` 绕过网站检测
- - **职责分离** — `mcp-server.js`(协议层)→ `gemini-ops.js`(操作层)→ `browser.js`(连接层)→ `daemon/`(进程管理)
- <br>
- ## 📦 安装
- ### 前置条件
- - **Node.js** ≥ 18
- - **Chrome / Edge / Chromium** — 系统上需安装任一浏览器(或通过 `BROWSER_PATH` 指定路径)
- - 浏览器需提前 **登录 Google 账号**(Gemini 需要登录才能使用)
- ### 安装依赖
- ```bash
- git clone https://github.com/WJZ-P/gemini-skill.git
- cd gemini-skill
- npm install
- ```
- <br>
- ## ⚙️ 配置
- 所有配置通过环境变量或 `.env` 文件设置。项目根目录已提供 `.env` 模板,可直接修改。
- **配置优先级:** `process.env` > `.env.development` > `.env` > 代码默认值
- > `.env.development` 不会被 git 追踪,适合存放本地私有配置(如浏览器路径)。
- ### 浏览器配置
- | 变量 | 默认值 | 说明 |
- |------|--------|------|
- | `BROWSER_PATH` | 自动检测 | 浏览器可执行文件路径,支持 Chrome / Edge / Chromium。不设则自动按优先级检测系统已安装的浏览器 |
- | `BROWSER_DEBUG_PORT` | `40821` | CDP 远程调试端口。多个 skill(如 douyin-upload-mcp-skill)共享同一端口即共享同一浏览器实例 |
- | `BROWSER_HEADLESS` | `false` | 是否无头模式。首次使用建议关闭(`false`),方便登录 Google 账号 |
- | `BROWSER_USER_DATA_DIR` | 自动解析 | 浏览器用户数据目录,保存登录态、cookies 等。不设则自动解析:`~/.wjz_browser_data` → 浏览器默认目录 |
- | `BROWSER_PROTOCOL_TIMEOUT` | `60000` | CDP 协议超时时间(毫秒)。生图等长操作可适当增大 |
- ### Daemon 配置
- | 变量 | 默认值 | 说明 |
- |------|--------|------|
- | `DAEMON_PORT` | `40225` | Daemon HTTP 服务端口 |
- | `DAEMON_TTL_MS` | `1800000` | 闲置超时时间(毫秒),默认 30 分钟。超时后自动关闭浏览器并退出 Daemon,下次调用时自动重新拉起 |
- ### 其他配置
- | 变量 | 默认值 | 说明 |
- |------|--------|------|
- | `OUTPUT_DIR` | `./gemini-image` | 图片输出目录 |
- | `ATLAS_BASE_URL` | `https://api.atlascloud.ai/v1` | Atlas Cloud OpenAI 兼容接口基础地址 |
- | `ATLAS_API_KEY` | 空 | Atlas Cloud API Key,建议写入 `.env.development` |
- | `ATLAS_MODEL` | `openai/gpt-4o-mini` | Atlas Cloud 默认模型 |
- | `ATLAS_REQUEST_TIMEOUT_MS` | `60000` | Atlas Cloud 请求超时(毫秒) |
- ### 关于 OpenClaw 浏览器复用
- [OpenClaw](https://github.com/) 的默认 CDP 端口是 **18800**。如果你希望复用 OpenClaw 已启动的浏览器会话,可以将 `BROWSER_DEBUG_PORT` 改为 `18800`:
- ```env
- BROWSER_DEBUG_PORT=18800
- ```
- **但请注意**:OpenClaw 自带的浏览器会话**没有集成 Stealth 反爬插件**,在反检测能力上不如本项目自行维护的浏览器实例。本项目使用 `puppeteer-extra-plugin-stealth` 提供了完整的反爬保护(隐藏 webdriver 标记、模拟真实浏览器指纹等),能更好地规避网站的自动化检测。
- **建议**:除非有特殊需求,推荐使用默认端口 `40821`,让项目自行管理浏览器实例以获得最佳的反爬效果。
- <br>
- ## ☁️ Atlas Cloud Provider
- ### 配置
- 推荐将本地私有 Key 写入 `.env.development`:
- ```env
- ATLAS_API_KEY=your_atlas_api_key
- ATLAS_BASE_URL=https://api.atlascloud.ai/v1
- ATLAS_MODEL=openai/gpt-4o-mini
- ATLAS_REQUEST_TIMEOUT_MS=60000
- ```
- ### 能力说明
- - `atlas_list_models`:列出当前 API Key 可见模型
- - `atlas_send_message`:调用非流式文本对话
- - `atlas_stream_message`:消费 Atlas 流式输出并聚合返回,便于做集成验证
- ### 设计原则
- - 走纯 API,不依赖浏览器和 Gemini 登录态
- - 保持对 Atlas Cloud OpenAI 兼容格式的直接透传
- - 不破坏现有 `gemini_*` MCP 工具和调用方式
- <br>
- ## 🚀 使用
- ### 方式一:作为 MCP Server(推荐)
- 在 MCP 客户端配置文件中添加:
- ```json
- {
- "mcpServers": {
- "gemini": {
- "command": "node",
- "args": ["<项目绝对路径>/src/mcp-server.js"]
- }
- }
- }
- ```
- 启动后 AI 即可通过 MCP 协议调用所有工具。
- ### 方式二:命令行启动
- ```bash
- # 启动 MCP Server(stdio 模式,供 AI 客户端调用)
- npm run mcp
- # 单独启动 Browser Daemon(通常不需要,MCP 会自动拉起)
- npm run daemon
- # 运行 Demo 示例
- npm run demo
- ```
- ### 方式三:作为库调用
- ```javascript
- import { createGeminiSession, disconnect } from './src/index.js';
- const { ops } = await createGeminiSession();
- // 生图
- const result = await ops.generateImage('画一只可爱的猫咪', { fullSize: true });
- console.log('图片保存至:', result.filePath);
- // 用完断开(不关浏览器,由 Daemon 继续守护)
- disconnect();
- ```
- ### 方式四:调用 Atlas Cloud Provider
- ```javascript
- import { createAtlasProvider } from './src/index.js';
- const atlas = createAtlasProvider();
- const result = await atlas.createChatCompletion({
- model: 'openai/gpt-4o-mini',
- messages: [
- { role: 'system', content: 'You are a helpful assistant.' },
- { role: 'user', content: 'Reply with OK only.' }
- ],
- temperature: 0,
- max_tokens: 16,
- });
- console.log(result.choices[0].message.content);
- ```
- <br>
- ## 🔧 MCP 工具列表
- ### Atlas Cloud Provider
- | 工具名 | 说明 | 主要参数 |
- |--------|------|----------|
- | `atlas_list_models` | 获取当前 Atlas Cloud API Key 可见模型 | 无 |
- | `atlas_send_message` | 发送 Atlas Cloud 非流式对话请求 | `model`, `messages`, `temperature`, `max_tokens` |
- | `atlas_stream_message` | 验证 Atlas Cloud Streaming 接口并聚合返回 | `model`, `messages`, `temperature`, `max_tokens` |
- ### 核心生图
- | 工具名 | 说明 | 主要参数 |
- |--------|------|----------|
- | `gemini_generate_image` | 完整生图流程(耗时 60~120s) | `prompt`, `newSession`, `referenceImages`, `fullSize`, `timeout` |
- ### 会话管理
- | 工具名 | 说明 | 主要参数 |
- |--------|------|----------|
- | `gemini_new_chat` | 新建空白对话 | 无 |
- | `gemini_temp_chat` | 进入临时对话模式 | 无 |
- | `gemini_navigate_to` | 导航到指定 Gemini URL(如历史会话) | `url`, `timeout` |
- ### 模型与对话
- | 工具名 | 说明 | 主要参数 |
- |--------|------|----------|
- | `gemini_switch_model` | 切换模型(pro/quick/think) | `model` |
- | `gemini_send_message` | 发送文本并等待回复(耗时 10~60s) | `message`, `timeout` |
- ### 图片操作
- | 工具名 | 说明 | 主要参数 |
- |--------|------|----------|
- | `gemini_upload_images` | 上传图片到输入框 | `images` |
- | `gemini_get_images` | 获取会话中所有图片元信息 | 无 |
- | `gemini_extract_image` | 提取图片 base64 并保存本地 | `imageUrl` |
- | `gemini_download_full_size_image` | 下载完整尺寸高清图片 | `index` |
- | `gemini_share_latest_image` | 为图片创建公开分享链接并返回 `https://gemini.google.com/share/...` | `index`, `timeout`, `copyToClipboard`, `closeDialog` |
- ### 文字回复
- | 工具名 | 说明 | 主要参数 |
- |--------|------|----------|
- | `gemini_get_all_text_responses` | 获取所有文字回复 | 无 |
- | `gemini_get_latest_text_response` | 获取最新一条文字回复 | 无 |
- ### 诊断与管理
- | 工具名 | 说明 | 主要参数 |
- |--------|------|----------|
- | `gemini_check_login` | 检查 Google 登录状态 | 无 |
- | `gemini_probe` | 探测页面元素状态 | 无 |
- | `gemini_reload_page` | 刷新页面 | `timeout` |
- | `gemini_browser_info` | 获取浏览器连接信息 | 无 |
- <br>
- ## 🔄 Daemon 生命周期
- ```
- 首次 MCP 调用
- │
- ├─ Daemon 未运行 → 自动 spawn(detached + unref)
- │ → 轮询等待就绪(最多 15s)
- │
- ├─ GET /browser/acquire → 启动/复用浏览器 + 重置 30 分钟倒计时
- │
- ├─ MCP 工具执行完毕 → disconnect()(断开 WebSocket,不关浏览器)
- │
- ├─ 30 分钟内再次调用 → 重置倒计时(续命)
- │
- └─ 30 分钟无人使用 → 关闭浏览器 + 关闭 HTTP 服务 + 退出进程
- (下次调用时自动重新拉起)
- ```
- **Daemon API 端点:**
- | 端点 | 说明 |
- |------|------|
- | `GET /browser/acquire` | 获取浏览器连接(会续命) |
- | `GET /browser/status` | 查询浏览器状态(不续命) |
- | `POST /browser/release` | 主动销毁浏览器 |
- | `GET /health` | Daemon 健康检查 |
- <br>
- ## 📁 项目结构
- ```
- gemini-skill/
- ├── src/
- │ ├── index.js # 统一入口
- │ ├── mcp-server.js # MCP 协议服务(注册所有工具)
- │ ├── gemini-ops.js # Gemini 页面操作(核心逻辑)
- │ ├── operator.js # 底层 DOM 操作封装
- │ ├── browser.js # 浏览器连接器(面向 Skill)
- │ ├── config.js # 统一配置中心
- │ ├── util.js # 工具函数
- │ ├── watermark-remover.js # 图片去水印(基于 sharp)
- │ ├── demo.js # 使用示例
- │ ├── assets/ # 静态资源
- │ └── daemon/ # Browser Daemon(独立进程)
- │ ├── server.js # HTTP 微服务入口
- │ ├── engine.js # 浏览器引擎(launch/connect/terminate)
- │ ├── handlers.js # API 路由处理器
- │ └── lifecycle.js # 生命周期控制(惰性销毁倒计时)
- ├── references/ # 参考文档
- ├── SKILL.md # AI 调用规范(MCP 客户端读取)
- ├── package.json
- └── .env # 环境配置(需自行创建)
- ```
- <br>
- ## ⚠️ 注意事项
- 1. **首次使用需登录** — 第一次运行时浏览器会打开 Gemini 页面,请手动完成 Google 账号登录。登录状态会保存在 `userDataDir` 中,后续无需重复登录。
- 2. **不要同时运行多个实例** — 同一个 CDP 端口只能有一个浏览器实例,否则会端口冲突。
- 3. **Windows Server 注意** — 已内置路径规范化和 Safe Browsing 绕过,但仍建议检查:
- - Chrome/Edge 已正确安装
- - 输出目录有写入权限
- - 防火墙未阻断 localhost 通信
- 4. **生图耗时较长** — 通常 60~120 秒,MCP 客户端的 `timeoutMs` 建议设为 ≥ 180000(3 分钟)。
- <br>
- ## 📝 To Do List
- - [x] **MCP 协议全量工具注册**
- - [x] **Daemon 进程按需自启**
- - [x] **高清原图 CDP 下载**
- - [x] **自动去水印**
- - [x] **参考图上传 & 图生图**
- - [x] **历史会话导航**
- - [ ] **多浏览器实例并行支持**
- - [ ] **支持音乐生成**
- - [ ] **支持视频生成**
- <br>
- ## 📄 License
- 该项目签署了 MIT 授权许可,详情请参阅 [LICENSE](https://github.com/WJZ-P/gemini-skill/blob/main/LICENSE)
- ## LINUX DO
- 本项目支持 [LINUX DO](https://linux.do) 社区
- <br>
- ## 如果觉得好用,请给个 ⭐ 支持一下!
- ## ⭐ Star 历史
- [](https://starchart.cc/WJZ-P/gemini-skill)
- // osai-verify: 5701044c58cd60527367
Ratings and comments
Sign in to rate this skill.
Sign inFree to use. If it’s helped, pass it on.