--- name: Gemini Web Automation slug: gemini category: Automation description: "Automates Gemini's web interface to generate images, conduct conversations, and extract content using browser automation via MCP tools. Designed for AI agents that need direct Gemini access." github: "https://github.com/WJZ-P/gemini-skill" language: JavaScript stars: 828 forks: 119 install: "git clone https://github.com/WJZ-P/gemini-skill" added: 2026-07-14T01:49:55.013Z last_synced: 2026-07-26T06:26:12.315Z canonical_url: "https://dirskills.com/skills/gemini" --- # Gemini Web Automation Automates Gemini's web interface to generate images, conduct conversations, and extract content using browser automation via MCP tools. Designed for AI agents that need direct Gemini access. **Install:** `git clone https://github.com/WJZ-P/gemini-skill` ## README ## 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。
Contributors   Forks   Stargazers   Issues   License

Logo

Gemini Skill

快速开始 · 报告 Bug · 提出新特性

English | 中文


纯蓝

「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](#-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)

Gemini 生图示例

▲ 通过 AI 对话自动生成表情包


## 🆕 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 Logo

> 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

Bloome

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)
## ✨ 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 |
## 🏗️ 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 ```bash 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 | 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。
## ☁️ 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
## 🚀 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); ```
## 🔧 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 |
## 🔄 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 |
## 📁 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） ```
## ⚠️ 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）。
## 📝 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**
## 📄 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
## 如果觉得好用，请给个 ⭐ 支持一下！ ## ⭐ Star 历史 [![Stargazers over time](https://starchart.cc/WJZ-P/gemini-skill.svg?variant=adaptive)](https://starchart.cc/WJZ-P/gemini-skill)