gemini-skill

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

✨ 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

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 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

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

• MCP 协议全量工具注册
• Daemon 进程按需自启
• 高清原图 CDP 下载
• 自动去水印
• 参考图上传 & 图生图
• 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

LINUX DO

本项目支持 LINUX DO 社区

如果觉得好用，请给个 ⭐ 支持一下！

⭐ Star 历史

// osai-verify: 5701044c58cd60527367