Gemini CLI 的进阶玩法核心是三层配置：用 GEMINI.md 固化项目上下文、用 @ 与斜杠命令精准投喂材料、用 extensions 和 MCP 接外部工具——把 Google 的终端智能体从「能对话」变成「能干活」。建议先读过 OpenAI Codex CLI 实战 这类同类工具，理解「终端智能体」的共性。
一、 GEMINI.md：项目级记忆
在项目根目录放一个 GEMINI.md，Gemini CLI 启动时会自动读入，相当于给 Agent 的「项目说明书」：技术栈、目录约定、常用命令、禁忌操作都写进去，省得每轮重复解释。多人项目还能提交到 Git，团队共享同一份上下文。
GEMINI.md 越具体越好：与其写「用最佳实践」，不如写「测试用 pytest，命令是 pytest -q；禁止改 migrations 文件」。明确的约束能显著降低 Agent 跑偏。
二、@ 引用与斜杠命令
@path/to/file：把指定文件/目录直接投喂给模型，比「打开看看 xxx 文件」更精准；/help、/tools、/memory等斜杠命令：快速查看能力、管理记忆；- 多模态：Gemini 原生支持图片/PDF，可直接 @ 一张图让它分析。
三、 extensions：扩展能力
Gemini CLI 的 extensions 让你把可复用的工作流（构建、部署、代码审查）封装成扩展，团队间共享。本质是把「一连串提示 + 工具调用」固化下来，避免每次手敲。
四、接 MCP：把外部工具变成 Agent 的能力
通过 MCP（Model Context Protocol），Gemini CLI 能直连 GitHub 、文件系统、数据库等外部服务，认证和 API 调用由 MCP 服务器代管。需要接私有系统时可自己写一个 MCP server，参考 Claude Code 国内怎么用 里对 MCP 的思路。
Gemini CLI 和 Claude Code 怎么选？
两者都是终端智能体，思路相通。 Gemini CLI 背靠 Google 模型、原生多模态强；Claude Code 在长时编码、 Agent 记忆上更成熟。日常可两个都装，按任务切换。
五、一份高效配置示例
- 在仓库根目录写 GEMINI.md：技术栈、测试命令、目录约定、禁忌。
- 把常用工作流做成 extension（如 /review 、/deploy）。
- 在 settings 里配置允许的 MCP server（GitHub 、 fs）。
- 用 @ 精准投喂待分析文件，避免让模型自己瞎找。
- 给写操作设确认，敏感命令先人工过目再执行。
GEMINI.md 和 .cursorrules 是一回事吗？
思路一样，都是给 AI 编码工具的「项目说明书」，但格式和加载方式不同。 Gemini CLI 读 GEMINI.md，Cursor 读 .cursorrules 。
@ 引用和直接描述文件有什么区别？
@ 是把文件内容真正塞进上下文，最精准；口头描述「看看那个文件」模型还得自己定位，容易看错或漏看。
MCP 一定要自己写 server 吗？
不。常见服务（GitHub 、文件系统）已有现成 MCP server，直接配置即可；只有接私有系统才需要自己写。
Gemini CLI 支持图片/PDF 吗？
支持。 Gemini 原生多模态，可用 @ 直接投喂图片或 PDF 让它分析，这是它的强项之一。
评论 (0)