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。

Gemini Skill

快速开始 · 报告 Bug · 提出新特性

English | 中文

「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」

✨ 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

🏗️ 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。在项目根目录创建 .env 文件：

# 浏览器路径（不设则自动检测 Chrome/Edge/Chromium）
# BROWSER_PATH=C:\Program Files\Google\Chrome\Application\chrome.exe

# CDP 远程调试端口（默认 40821）
# BROWSER_DEBUG_PORT=40821

# 是否无头模式（默认 false，首次使用建议关闭以便登录）
# BROWSER_HEADLESS=false

# 图片输出目录（默认 ./gemini-image）
# OUTPUT_DIR=./gemini-image

# Daemon HTTP 端口（默认 40225）
# DAEMON_PORT=40225

# Daemon 闲置超时（毫秒，默认 30 分钟）
# DAEMON_TTL_MS=1800000

也支持 .env.development 文件（优先级高于 .env）。

配置优先级： process.env > .env.development > .env > 代码默认值

🚀 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();

🔧 MCP 工具列表

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`

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

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。
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。
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
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

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。

Gemini Skill

「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

前置条件

安装依赖

⚙️ 配置

🚀 使用

方式一：作为 MCP Server（推荐）

方式二：命令行启动

方式三：作为库调用

🔧 MCP 工具列表

核心生图

会话管理

模型与对话

图片操作

文字回复

诊断与管理

🔄 Daemon 生命周期

📁 项目结构

⚠️ 注意事项

📝 To Do List

📄 License

LINUX DO

如果觉得好用，请给个 ⭐ 支持一下！

⭐ Star 历史

Reviews (0)

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。

Gemini Skill

「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

前置条件

安装依赖

⚙️ 配置

🚀 使用

方式一：作为 MCP Server（推荐）

方式二：命令行启动

方式三：作为库调用

🔧 MCP 工具列表

核心生图

会话管理

模型与对话

图片操作

文字回复

诊断与管理

🔄 Daemon 生命周期

📁 项目结构

⚠️ 注意事项

📝 To Do List

📄 License

LINUX DO

如果觉得好用，请给个 ⭐ 支持一下！

⭐ Star 历史

Reviews (0)

「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」