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）：

会话管理：

模型切换：

文本对话：

图片操作：

文字回复提取：

登录状态：

页面导航：

诊断 & 恢复：

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

{
  "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

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。

「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」

目录

• 功能特性
• 架构
• 安装
• 配置
• Atlas Cloud Provider
• Bloome
• 使用
• MCP 工具列表
• Daemon 生命周期
• 项目结构
• 注意事项
• To Do List
• License

🆕 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

☁️ Atlas Cloud Provider

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

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

不用装 Node、不用搭环境——在 Bloome 上点一下， gemini-skill 就在云端跑起来了，浏览器和手机都行。顺手还能拉进群，和队友一块儿用。

✨ 功能特性

🏗️ 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）

📦 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

git clone https://github.com/WJZ-P/gemini-skill.git
cd gemini-skill
npm install

⚙️ 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

Daemon 配置

其他配置

关于 OpenClaw 浏览器复用

OpenClaw 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：

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。

☁️ Atlas Cloud Provider

配置

推荐将本地私有 Key 写入 .env.development：

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

🚀 使用

方式一：作为 MCP Server（推荐）

在 MCP 客户端配置文件中添加：

{
  "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

# 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

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

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);

🔧 MCP 工具列表

Atlas Cloud Provider

核心生图

| 工具名 | 说明 | 主要参数 |