Skip to content
Back to search

gemini-skill

SkillWorks with Claude CodeGitHub

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.

Checked today
Badge for your README
findsafeskills safety rating

Markdown

[![findsafeskills safety rating](/api/listings/wjz-p--gemini-skill/badge.svg)](/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

i

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)

  1. ---
  2. name: gemini-skill
  3. 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。
  4. ---
  5. # Gemini Skill
  6. ## ⚠️ 操作优先级(必须遵守)
  7. 与 Gemini 的一切交互,按以下优先级选择方式:
  8. 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
  9. 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
  10. 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**
  11. **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。
  12. > 浏览器 Daemon 未运行时 MCP 工具会自动拉起,无需任何手动操作。
  13. ## 📡 进度同步 & 长耗时工具规则
  14. 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:
  15. - **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。
  16. - 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。
  17. - **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"。
  18. - 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。
  19. - 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。
  20. - 若 `fullSize` 模式失败,可降级重试 `fullSize=false`(预览图模式更稳定)。
  21. ## 触发关键词
  22. - **生图任务**:`生图`、`画`、`绘图`、`海报`、`nano banana`、`nanobanana`、`image generation`、`生成图片`
  23. - 若请求含糊,先确认用户是否需要生图
  24. ## 使用方式
  25. 本 Skill 通过 MCP Server 暴露工具,AI 直接调用即可。
  26. 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。
  27. ### ⚠️ 强制规则
  28. > **AI 必须始终通过 MCP 工具完成所有操作。**
  29. >
  30. > 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
  31. > `import` / `require` 本项目导出的函数(如 `createGeminiSession`、`createOps` 等)。
  32. >
  33. > 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**,
  34. > 才能编写临时脚本调用底层 API。未经用户同意,一律禁止。
  35. ### 可用工具
  36. **核心生图(封装完整流程):**
  37. | 工具名 | 说明 | 入参 |
  38. |--------|------|------|
  39. | `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) |
  40. **会话管理:**
  41. | 工具名 | 说明 | 入参 |
  42. |--------|------|------|
  43. | `gemini_new_chat` | 新建一个空白对话 | 无 |
  44. | `gemini_temp_chat` | 进入临时对话模式(不保留历史记录) | 无 |
  45. **模型切换:**
  46. | 工具名 | 说明 | 入参 |
  47. |--------|------|------|
  48. | `gemini_switch_model` | 切换 Gemini 模型 | `model`(`pro` / `quick` / `think`) |
  49. **文本对话:**
  50. | 工具名 | 说明 | 入参 |
  51. |--------|------|------|
  52. | `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) |
  53. **图片操作:**
  54. | 工具名 | 说明 | 入参 |
  55. |--------|------|------|
  56. | `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) |
  57. | `gemini_get_images` | 获取会话中所有已加载图片的元信息 | 无 |
  58. | `gemini_extract_image` | 提取指定图片的 base64 并保存到本地 | `imageUrl`(从 get_images 获取) |
  59. | `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) |
  60. | `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` |
  61. **文字回复提取:**
  62. | 工具名 | 说明 | 入参 |
  63. |--------|------|------|
  64. | `gemini_get_all_text_responses` | 获取会话中所有文字回复(仅文字,不含图片) | 无 |
  65. | `gemini_get_latest_text_response` | 获取最新一条文字回复 | 无 |
  66. **登录状态:**
  67. | 工具名 | 说明 | 入参 |
  68. |--------|------|------|
  69. | `gemini_check_login` | 检查是否已登录 Google 账号 | 无 |
  70. **页面导航:**
  71. | 工具名 | 说明 | 入参 |
  72. |--------|------|------|
  73. | `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) |
  74. **诊断 & 恢复:**
  75. | 工具名 | 说明 | 入参 |
  76. |--------|------|------|
  77. | `gemini_probe` | 探测页面各元素状态(输入框、按钮、模型等) | 无 |
  78. | `gemini_reload_page` | 刷新页面(卡住或异常时使用) | `timeout`(默认30000ms) |
  79. | `gemini_browser_info` | 获取浏览器连接信息(CDP 端口、wsEndpoint 等) | 无 |
  80. ### 典型用法
  81. **快速生图(一步到位):**
  82. 1. 调用 `gemini_generate_image`,传入 prompt → 返回本地图片路径
  83. **生图并拿分享链接:**
  84. 1. 调用 `gemini_generate_image` 生成图片
  85. 2. 调用 `gemini_share_latest_image` 返回公开链接
  86. **灵活组合(细粒度控制):**
  87. 1. `gemini_new_chat` — 新建会话
  88. 2. `gemini_switch_model` → `pro` — 切换到高质量模型
  89. 3. `gemini_upload_images` — 上传参考图
  90. 4. `gemini_send_message` — 发送描述词
  91. 5. `gemini_get_images` → `gemini_extract_image` — 获取并保存图片
  92. **排障:**
  93. 1. `gemini_probe` — 看看页面元素有没有就位
  94. 2. `gemini_reload_page` — 页面卡了就刷新
  95. 3. `gemini_browser_info` — 获取 CDP 信息自行连接调试
  96. ## MCP 客户端配置
  97. ```json
  98. {
  99. "mcpServers": {
  100. "gemini": {
  101. "command": "node",
  102. "args": ["<项目绝对路径>/src/mcp-server.js"]
  103. }
  104. }
  105. }
  106. ```
  107. 也可通过 `npm run mcp` 手动启动。
  108. ## 失败处理
  109. 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:
  110. - **生成超时** — 建议用户简化描述词后重试
  111. - **Daemon 未启动** — 工具会自动拉起,若仍失败可手动 `npm run daemon`
  112. - **页面异常** — 可调用 `gemini_browser_info` 查看浏览器状态排查
  113. ## 参考
  114. - 详细执行与回退:`references/gemini-flow.md`
  115. - 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)

  1. ## 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。
  2. <!-- PROJECT SHIELDS -->
  3. <div align="center">
  4. <a href="https://github.com/WJZ-P/gemini-skill/graphs/contributors">
  5. <img src="https://img.shields.io/github/contributors/WJZ-P/gemini-skill.svg?style=flat-square" alt="Contributors" style="height: 30px">
  6. </a>
  7. &nbsp;
  8. <a href="https://github.com/WJZ-P/gemini-skill/network/members">
  9. <img src="https://img.shields.io/github/forks/WJZ-P/gemini-skill.svg?style=flat-square" alt="Forks" style="height: 30px">
  10. </a>
  11. &nbsp;
  12. <a href="https://github.com/WJZ-P/gemini-skill/stargazers">
  13. <img src="https://img.shields.io/github/stars/WJZ-P/gemini-skill.svg?style=flat-square" alt="Stargazers" style="height: 30px">
  14. </a>
  15. &nbsp;
  16. <a href="https://github.com/WJZ-P/gemini-skill/issues">
  17. <img src="https://img.shields.io/github/issues/WJZ-P/gemini-skill.svg?style=flat-square" alt="Issues" style="height: 30px">
  18. </a>
  19. &nbsp;
  20. <a href="https://github.com/WJZ-P/gemini-skill/blob/main/LICENSE">
  21. <img src="https://img.shields.io/github/license/WJZ-P/gemini-skill.svg?style=flat-square" alt="License" style="height: 30px">
  22. </a>
  23. &nbsp;
  24. <a href="https://atomgit.com/WJZ_P/gemini-skill">
  25. <img src="https://atomgit.com/WJZ_P/gemini-skill/star/new_badge.svg" alt="AtomGit Stars" style="height: 30px">
  26. </a>
  27. </div>
  28. <br>
  29. <!-- PROJECT LOGO -->
  30. <p align="center">
  31. <a href="https://github.com/WJZ-P/gemini-skill/">
  32. <img src="markdown/gemini-color.svg" alt="Logo" width="96" height="96">
  33. </a>
  34. </p>
  35. <h1 align="center">Gemini Skill</h1>
  36. <p align="center">
  37. <a href="#-使用">快速开始</a>
  38. ·
  39. <a href="https://github.com/WJZ-P/gemini-skill/issues">报告 Bug</a>
  40. ·
  41. <a href="https://github.com/WJZ-P/gemini-skill/issues">提出新特性</a>
  42. </p>
  43. <p align="center">
  44. <a href="./README.en.md">English</a> | 中文
  45. </p>
  46. <br>
  47. <p align="center">
  48. <a href="https://www.bilibili.com/video/BV1e54y1z7XM">
  49. <img src="markdown/home.png" alt="纯蓝">
  50. </a>
  51. </p>
  52. <h2 align="center">
  53. 「剥开了尖刺 &nbsp; 却正如你曾经说
  54. 赖以生存的温柔只是白纸
  55. 盛着破碎的梦和我们的故事」
  56. </h2>
  57. ## 目录
  58. - [功能特性](#-功能特性)
  59. - [架构](#️-架构)
  60. - [安装](#-安装)
  61. - [配置](#️-配置)
  62. - [Atlas Cloud Provider](#-atlas-cloud-provider)
  63. - [Bloome](#-懒得配环境让-gemini-skill-跑在云上)
  64. - [使用](#-使用)
  65. - [MCP 工具列表](#-mcp-工具列表)
  66. - [Daemon 生命周期](#-daemon-生命周期)
  67. - [项目结构](#-项目结构)
  68. - [注意事项](#️-注意事项)
  69. - [To Do List](#-to-do-list)
  70. - [License](#-license)
  71. <br>
  72. <!-- EXAMPLE -->
  73. <p align="center">
  74. <img src="./markdown/example.png" alt="Gemini 生图示例" width="100%">
  75. </p>
  76. <p align="center"><em>▲ 通过 AI 对话自动生成表情包</em></p>
  77. <br>
  78. ## 🆕 最新更新
  79. **v1.1.1**(2026-05)— 适配新版模型菜单 UI:
  80. - ✅ 模型枚举更新:`pro` / `flash` / `flash-lite`(替换旧的 `pro` / `quick` / `think`)
  81. - ✅ 当前模型读取改为 `.picker-primary-text` innerText
  82. - ✅ 模型切换改为遍历菜单项 + label 文本匹配(i18n 安全)
  83. - 🆕 新增思考深度切换:`getThinkingDepth()` / `setThinkingDepth('standard'|'extended')`
  84. - 🆕 新增 MCP 工具 `gemini_set_thinking_depth`
  85. **v1.1.0**(2026-05)— 已适配 Gemini **2026 年 5 月最新版 UI**:
  86. - ✅ 加号面板按钮(`gem-icon-button[arialabel="上传和工具"]`)
  87. - ✅ 发送按钮(`gem-icon-button.send-button`)
  88. - ✅ 下载完整尺寸按钮(`download-generated-image-button` 自定义元素)
  89. - ✅ 图片上传完成检测(`.gem-attachment-content.loading`)
  90. - ✅ 状态判断兼容新 UI 的 `gem-icon-button` 包装层
  91. - ♻️ 全部选择器保留旧 UI 兜底,新旧版本均可工作
  92. <br>
  93. ## ☁️ Atlas Cloud Provider
  94. <p align="center">
  95. <img src="./markdown/atlas-cloud-provider.png" alt="Atlas Cloud Logo" width="100%">
  96. </p>
  97. > 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。
  98. >
  99. > 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)
  100. >
  101. > Atlas Cloud 现提供新的 coding plan 优惠入口,便于更低成本接入 API:
  102. > `https://www.atlascloud.ai/console/coding-plan`
  103. 本仓库现在内置了一个**最小侵入**的 Atlas Cloud provider 方案:
  104. - 不改动原有 Gemini 浏览器自动化主链路
  105. - 新增 OpenAI 兼容的 Atlas Cloud API provider
  106. - 支持模型枚举、普通对话、Streaming 对话验证
  107. - 适合把本项目同时作为 Gemini 自动化 skill + MaaS provider 接入样例
  108. ## ☁️ 懒得配环境?让 gemini-skill 跑在云上
  109. <p align="center">
  110. <a href="https://bloome.im/app?ref=bvsEWoFx&utm_medium=github&utm_source=WJZ-P-gemini-skill-ivor-202606">
  111. <img src="./markdown/bloome-home.png" alt="Bloome" width="100%">
  112. </a>
  113. </p>
  114. 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。
  115. 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。
  116. 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)
  117. <br>
  118. ## ✨ 功能特性
  119. | | 功能 | 说明 |
  120. |:---:|------|------|
  121. | 🎨 | **AI 生图** | 发送 prompt 自动生成图片,支持高清原图下载 |
  122. | 💬 | **文本对话** | 与 Gemini 进行多轮对话 |
  123. | 🖼️ | **图片上传** | 上传参考图片,基于参考图生成新图 |
  124. | 📥 | **图片提取** | 提取会话中的图片,支持 base64 和 CDP 完整尺寸下载 |
  125. | 🔄 | **会话管理** | 新建会话、临时会话、切换模型、导航到历史会话 |
  126. | 🧹 | **自动去水印** | 下载的图片自动移除 Gemini 水印 |
  127. | 🤖 | **MCP Server** | 标准 MCP 协议接口,可被任何 MCP 客户端调用 |
  128. | ☁️ | **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 |
  129. <br>
  130. ## 🏗️ 架构
  131. ```
  132. ┌─────────────────────────────────────────────────────┐
  133. │ MCP Client (AI) │
  134. │ Claude / CodeBuddy / ... │
  135. └──────────────────────┬──────────────────────────────┘
  136. │ stdio (JSON-RPC)
  137. ▼
  138. ┌─────────────────────────────────────────────────────┐
  139. │ mcp-server.js (MCP 协议层) │
  140. │ 注册所有 MCP 工具,编排调用流程 │
  141. └──────────────────────┬──────────────────────────────┘
  142. │
  143. ▼
  144. ┌─────────────────────────────────────────────────────┐
  145. │ index.js → browser.js (连接层) │
  146. │ ensureBrowser() → 自动拉起 Daemon → CDP 直连 │
  147. └──────────┬──────────────────────────────┬───────────┘
  148. │ HTTP (acquire/status) │ WebSocket (CDP)
  149. ▼ ▼
  150. ┌──────────────────────┐ ┌─────────────────────────┐
  151. │ Browser Daemon │ │ Chrome / Edge │
  152. │ (独立后台进程) │───▶│ gemini.google.com │
  153. │ daemon/server.js │ │ │
  154. │ ├─ engine.js │ │ Stealth + 反爬检测 │
  155. │ ├─ handlers.js │ └─────────────────────────┘
  156. │ └─ lifecycle.js │
  157. │ 30 分钟惰性销毁 │
  158. └──────────────────────┘
  159. ```
  160. **核心设计理念:**
  161. - **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
  162. - **按需自启** — Daemon 未运行时 MCP 工具会自动拉起,无需手动启动
  163. - **Stealth 反爬** — 使用 `puppeteer-extra-plugin-stealth` 绕过网站检测
  164. - **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)
  165. <br>
  166. ## 📦 安装
  167. ### 前置条件
  168. - **Node.js** ≥ 18
  169. - **Chrome / Edge / Chromium** — 系统上需安装任一浏览器(或通过 `BROWSER_PATH` 指定路径)
  170. - 浏览器需提前 **登录 Google 账号**(Gemini 需要登录才能使用)
  171. ### 安装依赖
  172. ```bash
  173. git clone https://github.com/WJZ-P/gemini-skill.git
  174. cd gemini-skill
  175. npm install
  176. ```
  177. <br>
  178. ## ⚙️ 配置
  179. 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。
  180. **配置优先级:** `process.env` > `.env.development` > `.env` > 代码默认值
  181. > `.env.development` 不会被 git 追踪,适合存放本地私有配置(如浏览器路径)。
  182. ### 浏览器配置
  183. | 变量 | 默认值 | 说明 |
  184. |------|--------|------|
  185. | `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 |
  186. | `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 |
  187. | `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 |
  188. | `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 |
  189. | `BROWSER_PROTOCOL_TIMEOUT` | `60000` | CDP 协议超时时间(毫秒)。生图等长操作可适当增大 |
  190. ### Daemon 配置
  191. | 变量 | 默认值 | 说明 |
  192. |------|--------|------|
  193. | `DAEMON_PORT` | `40225` | Daemon HTTP 服务端口 |
  194. | `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 |
  195. ### 其他配置
  196. | 变量 | 默认值 | 说明 |
  197. |------|--------|------|
  198. | `OUTPUT_DIR` | `./gemini-image` | 图片输出目录 |
  199. | `ATLAS_BASE_URL` | `https://api.atlascloud.ai/v1` | Atlas Cloud OpenAI 兼容接口基础地址 |
  200. | `ATLAS_API_KEY` | 空 | Atlas Cloud API Key,建议写入 `.env.development` |
  201. | `ATLAS_MODEL` | `openai/gpt-4o-mini` | Atlas Cloud 默认模型 |
  202. | `ATLAS_REQUEST_TIMEOUT_MS` | `60000` | Atlas Cloud 请求超时(毫秒) |
  203. ### 关于 OpenClaw 浏览器复用
  204. [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`:
  205. ```env
  206. BROWSER_DEBUG_PORT=18800
  207. ```
  208. **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。
  209. **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。
  210. <br>
  211. ## ☁️ Atlas Cloud Provider
  212. ### 配置
  213. 推荐将本地私有 Key 写入 `.env.development`:
  214. ```env
  215. ATLAS_API_KEY=your_atlas_api_key
  216. ATLAS_BASE_URL=https://api.atlascloud.ai/v1
  217. ATLAS_MODEL=openai/gpt-4o-mini
  218. ATLAS_REQUEST_TIMEOUT_MS=60000
  219. ```
  220. ### 能力说明
  221. - `atlas_list_models`:列出当前 API Key 可见模型
  222. - `atlas_send_message`:调用非流式文本对话
  223. - `atlas_stream_message`:消费 Atlas 流式输出并聚合返回,便于做集成验证
  224. ### 设计原则
  225. - 走纯 API,不依赖浏览器和 Gemini 登录态
  226. - 保持对 Atlas Cloud OpenAI 兼容格式的直接透传
  227. - 不破坏现有 `gemini_*` MCP 工具和调用方式
  228. <br>
  229. ## 🚀 使用
  230. ### 方式一:作为 MCP Server(推荐)
  231. 在 MCP 客户端配置文件中添加:
  232. ```json
  233. {
  234. "mcpServers": {
  235. "gemini": {
  236. "command": "node",
  237. "args": ["<项目绝对路径>/src/mcp-server.js"]
  238. }
  239. }
  240. }
  241. ```
  242. 启动后 AI 即可通过 MCP 协议调用所有工具。
  243. ### 方式二:命令行启动
  244. ```bash
  245. # 启动 MCP Server(stdio 模式,供 AI 客户端调用)
  246. npm run mcp
  247. # 单独启动 Browser Daemon(通常不需要,MCP 会自动拉起)
  248. npm run daemon
  249. # 运行 Demo 示例
  250. npm run demo
  251. ```
  252. ### 方式三:作为库调用
  253. ```javascript
  254. import { createGeminiSession, disconnect } from './src/index.js';
  255. const { ops } = await createGeminiSession();
  256. // 生图
  257. const result = await ops.generateImage('画一只可爱的猫咪', { fullSize: true });
  258. console.log('图片保存至:', result.filePath);
  259. // 用完断开(不关浏览器,由 Daemon 继续守护)
  260. disconnect();
  261. ```
  262. ### 方式四:调用 Atlas Cloud Provider
  263. ```javascript
  264. import { createAtlasProvider } from './src/index.js';
  265. const atlas = createAtlasProvider();
  266. const result = await atlas.createChatCompletion({
  267. model: 'openai/gpt-4o-mini',
  268. messages: [
  269. { role: 'system', content: 'You are a helpful assistant.' },
  270. { role: 'user', content: 'Reply with OK only.' }
  271. ],
  272. temperature: 0,
  273. max_tokens: 16,
  274. });
  275. console.log(result.choices[0].message.content);
  276. ```
  277. <br>
  278. ## 🔧 MCP 工具列表
  279. ### Atlas Cloud Provider
  280. | 工具名 | 说明 | 主要参数 |
  281. |--------|------|----------|
  282. | `atlas_list_models` | 获取当前 Atlas Cloud API Key 可见模型 | 无 |
  283. | `atlas_send_message` | 发送 Atlas Cloud 非流式对话请求 | `model`, `messages`, `temperature`, `max_tokens` |
  284. | `atlas_stream_message` | 验证 Atlas Cloud Streaming 接口并聚合返回 | `model`, `messages`, `temperature`, `max_tokens` |
  285. ### 核心生图
  286. | 工具名 | 说明 | 主要参数 |
  287. |--------|------|----------|
  288. | `gemini_generate_image` | 完整生图流程(耗时 60~120s) | `prompt`, `newSession`, `referenceImages`, `fullSize`, `timeout` |
  289. ### 会话管理
  290. | 工具名 | 说明 | 主要参数 |
  291. |--------|------|----------|
  292. | `gemini_new_chat` | 新建空白对话 | 无 |
  293. | `gemini_temp_chat` | 进入临时对话模式 | 无 |
  294. | `gemini_navigate_to` | 导航到指定 Gemini URL(如历史会话) | `url`, `timeout` |
  295. ### 模型与对话
  296. | 工具名 | 说明 | 主要参数 |
  297. |--------|------|----------|
  298. | `gemini_switch_model` | 切换模型(pro/quick/think) | `model` |
  299. | `gemini_send_message` | 发送文本并等待回复(耗时 10~60s) | `message`, `timeout` |
  300. ### 图片操作
  301. | 工具名 | 说明 | 主要参数 |
  302. |--------|------|----------|
  303. | `gemini_upload_images` | 上传图片到输入框 | `images` |
  304. | `gemini_get_images` | 获取会话中所有图片元信息 | 无 |
  305. | `gemini_extract_image` | 提取图片 base64 并保存本地 | `imageUrl` |
  306. | `gemini_download_full_size_image` | 下载完整尺寸高清图片 | `index` |
  307. | `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` |
  308. ### 文字回复
  309. | 工具名 | 说明 | 主要参数 |
  310. |--------|------|----------|
  311. | `gemini_get_all_text_responses` | 获取所有文字回复 | 无 |
  312. | `gemini_get_latest_text_response` | 获取最新一条文字回复 | 无 |
  313. ### 诊断与管理
  314. | 工具名 | 说明 | 主要参数 |
  315. |--------|------|----------|
  316. | `gemini_check_login` | 检查 Google 登录状态 | 无 |
  317. | `gemini_probe` | 探测页面元素状态 | 无 |
  318. | `gemini_reload_page` | 刷新页面 | `timeout` |
  319. | `gemini_browser_info` | 获取浏览器连接信息 | 无 |
  320. <br>
  321. ## 🔄 Daemon 生命周期
  322. ```
  323. 首次 MCP 调用
  324. │
  325. ├─ Daemon 未运行 → 自动 spawn(detached + unref)
  326. │ → 轮询等待就绪(最多 15s)
  327. │
  328. ├─ GET /browser/acquire → 启动/复用浏览器 + 重置 30 分钟倒计时
  329. │
  330. ├─ MCP 工具执行完毕 → disconnect()(断开 WebSocket,不关浏览器)
  331. │
  332. ├─ 30 分钟内再次调用 → 重置倒计时(续命)
  333. │
  334. └─ 30 分钟无人使用 → 关闭浏览器 + 关闭 HTTP 服务 + 退出进程
  335. (下次调用时自动重新拉起)
  336. ```
  337. **Daemon API 端点:**
  338. | 端点 | 说明 |
  339. |------|------|
  340. | `GET /browser/acquire` | 获取浏览器连接(会续命) |
  341. | `GET /browser/status` | 查询浏览器状态(不续命) |
  342. | `POST /browser/release` | 主动销毁浏览器 |
  343. | `GET /health` | Daemon 健康检查 |
  344. <br>
  345. ## 📁 项目结构
  346. ```
  347. gemini-skill/
  348. ├── src/
  349. │ ├── index.js # 统一入口
  350. │ ├── mcp-server.js # MCP 协议服务(注册所有工具)
  351. │ ├── gemini-ops.js # Gemini 页面操作(核心逻辑)
  352. │ ├── operator.js # 底层 DOM 操作封装
  353. │ ├── browser.js # 浏览器连接器(面向 Skill)
  354. │ ├── config.js # 统一配置中心
  355. │ ├── util.js # 工具函数
  356. │ ├── watermark-remover.js # 图片去水印(基于 sharp)
  357. │ ├── demo.js # 使用示例
  358. │ ├── assets/ # 静态资源
  359. │ └── daemon/ # Browser Daemon(独立进程)
  360. │ ├── server.js # HTTP 微服务入口
  361. │ ├── engine.js # 浏览器引擎(launch/connect/terminate)
  362. │ ├── handlers.js # API 路由处理器
  363. │ └── lifecycle.js # 生命周期控制(惰性销毁倒计时)
  364. ├── references/ # 参考文档
  365. ├── SKILL.md # AI 调用规范(MCP 客户端读取)
  366. ├── package.json
  367. └── .env # 环境配置(需自行创建)
  368. ```
  369. <br>
  370. ## ⚠️ 注意事项
  371. 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。
  372. 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。
  373. 3. **Windows Server 注意** — 已内置路径规范化和 Safe Browsing 绕过,但仍建议检查:
  374. - Chrome/Edge 已正确安装
  375. - 输出目录有写入权限
  376. - 防火墙未阻断 localhost 通信
  377. 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)。
  378. <br>
  379. ## 📝 To Do List
  380. - [x] **MCP 协议全量工具注册**
  381. - [x] **Daemon 进程按需自启**
  382. - [x] **高清原图 CDP 下载**
  383. - [x] **自动去水印**
  384. - [x] **参考图上传 & 图生图**
  385. - [x] **历史会话导航**
  386. - [ ] **多浏览器实例并行支持**
  387. - [ ] **支持音乐生成**
  388. - [ ] **支持视频生成**
  389. <br>
  390. ## 📄 License
  391. 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)
  392. ## LINUX DO
  393. 本项目支持 [LINUX DO](https://linux.do) 社区
  394. <br>
  395. ## 如果觉得好用,请给个 ⭐ 支持一下!
  396. ## ⭐ Star 历史
  397. [![Stargazers over time](https://starchart.cc/WJZ-P/gemini-skill.svg?variant=adaptive)](https://starchart.cc/WJZ-P/gemini-skill)
  398. // osai-verify: 5701044c58cd60527367

Ratings and comments

Sign in to rate this skill.

Sign in

Free to use. If it’s helped, pass it on.