npm install -g @google/gemini-cli

gemini config set api-key YOUR_API_KEY`

gemini --version

# 安装Gemini CLI（适用于Linux/macOS）
curl -sSL https://cli.gemini.google.com/install.sh | bash

# 登录Gemini账号进行认证
gemini auth login

# 添加自定义MCP Server（示例）
gemini mcp add --name "my-mcp-server" --url "http://localhost:8000" --token "your-token"

mkdir -p ~/.gemini
cd ~/.gemini
nano settings.json

{
  "theme": "Default",
  "selectedAuthType": "oauth-personal",
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@upstash/context7-mcp"]
    },
    "taskmaster-ai": {
      "command": "npx",
      "args": ["-y", "--package=task-master-ai", "task-master-ai"],
      "env": {
        "ANTHROPIC_API_KEY": "sk-ant-",
        "OPENAI_API_KEY": "sk-proj-",
        "GOOGLE_API_KEY": "sk-proj-"
      }
    }
  }
}

# Gemini CLI 配置文件
# 基础设置
[general]
# 主题设置（light/dark/auto）
theme = "auto"
# 默认编辑器（vim/neovim/code）
default_editor = "code"
# 自动保存对话历史（true/false）
auto_save_chat = true

# 模型配置
[model]
# 使用的模型（gemini-1.5-pro/gemini-1.5-flash）
model_name = "gemini-1.5-pro"
# 上下文窗口大小（最大1000000）
context_window = 1000000
# 温度设置（0.0-1.0，越高越随机）
temperature = 0.7

# MCP 服务器配置
[mcp]
# 启用 MCP 扩展（true/false）
enabled = true
# MCP 服务器地址
server_url = "http://localhost:8000"
# 认证令牌（可选）
token = "your-mcp-token-here"

# 内存设置
[memory]
# 内存容量（最大100条）
capacity = 50
# 自动清理旧内存（true/false）
auto_clean = true

# 创建虚拟环境
python3.11 -m venv .venv

# 激活环境
source .venv/bin/activate  # Linux/Mac
# .venv\Scripts\activate   # Windows

# 安装AutoGen
pip install -U "autogen-agentchat" "autogen-ext[openai]"

import asyncio
from autogen_agentchat.agents import AssistantAgent, UserProxyAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.openai import OpenAIChatCompletionClient

async def main():
    # 创建模型客户端
    model_client = OpenAIChatCompletionClient(model="gpt-4o")
    
    # 创建智能体
    agent = AssistantAgent("助手", model_client=model_client)
    
    # 运行任务
    result = await agent.run(task="你的任务")
    
    # 关闭连接
    await model_client.close()

项目目录/
├── .venv/           # 虚拟环境（不提交到git）
├── .env             # 环境变量（不提交到git）
├── requirements.txt # 依赖包
├── agents/          # 智能体实现
├── main.py          # 主程序入口
└── GEMINI.md        # 本配置文件

# .env 文件
OPENAI_API_KEY=你的API密钥
MODEL_NAME=gpt-4o

# 直接运行（推荐）
npx https://github.com/google-gemini/gemini-cli

# 或全局安装
npm install -g @google/gemini-cli

# 使用 API 密钥（适用于企业用户）
export GEMINI_API_KEY="your_api_key_here"

# Google Workspace 账户认证
gemini auth --workspace

# 检查认证状态
gemini auth status

cd your-large-project/
gemini

# 在 Gemini CLI 中执行：
> 分析这个项目的整体架构，包括：
  - 主要模块和它们的职责
  - 数据流向和依赖关系
  - 设计模式的使用
  - 潜在的架构问题

> 重构整个项目以支持新的数据库抽象层：
  1. 识别所有数据库相关的代码
  2. 创建统一的数据访问接口
  3. 生成迁移计划和时间表

> 评估这个代码库的技术债务：
  - 代码重复度分析
  - 过时依赖识别
  - 性能瓶颈检测
  - 安全漏洞扫描

# 上传设计图片后
> 基于这个 UI 设计稿创建一个 React 应用：
  - 实现像素级完美的 UI 组件
  - 添加响应式设计
  - 集成状态管理
  - 包含基本的交互逻辑

> 分析这个 API 规范文档并生成：
  - 完整的 TypeScript 接口定义
  - API 客户端封装类
  - 单元测试用例
  - 使用示例和文档

> 自动化我们的 Git 工作流：
  1. 分析最近的提交模式
  2. 创建智能的分支命名约定
  3. 生成自动化的代码审查清单
  4. 设置冲突解决策略

> 优化我们的 CI/CD 流程：
  - 分析构建时间瓶颈
  - 建议并行化策略
  - 创建智能测试选择
  - 设计故障恢复机制

{
  "servers": {
    "database": {
      "command": "node",
      "args": ["./mcp-servers/database-server.js"],
      "env": {
        "DB_CONNECTION_STRING": "postgresql://..."
      }
    }
  }
}

> 通过数据库 MCP 服务器：
  - 查询用户行为分析数据
  - 生成数据模型优化建议
  - 创建自动化数据清理脚本

> 使用 Imagen/Veo 服务器创建：
  - 产品演示视频脚本
  - 营销素材设计方案
  - 用户界面图标集合
  - 品牌一致性检查

> 创建 Slack 机器人来：
  - 自动总结每日站会内容
  - 监控生产环境告警
  - 生成代码审查通知
  - 跟踪项目里程碑进度

> 自动化 Google Workspace 工作流：
  - 从会议记录生成行动项
  - 创建项目状态报告
  - 同步日历和项目时间线
  - 生成团队绩效分析

> 创建展示最近 7 天 git 历史的报告：
  - 按功能模块分组提交
  - 分析团队成员贡献模式
  - 识别协作瓶颈
  - 生成工作负载平衡建议

> 创建全屏监控应用显示：
  - GitHub Issues 互动热力图
  - 实时构建状态
  - 代码质量趋势
  - 用户反馈聚合

> 自动生成项目文档：
  - API 参考文档（从代码注释）
  - 部署指南（从配置文件）
  - 故障排除手册（从日志分析）
  - 用户手册（从功能规范）

> 实施合规性检查流程：
  - GDPR 数据处理审计
  - 安全漏洞扫描报告
  - 代码许可证合规检查
  - 访问权限审查

> 执行深度代码审查：
  - 架构一致性检查
  - 性能影响分析
  - 安全最佳实践验证
  - 可维护性评估

> 分析代码并提供重构建议：
  - 设计模式优化机会
  - 代码重复消除
  - 函数复杂度简化
  - 依赖关系优化

> 制定 Python 3.12 升级计划：
  1. 兼容性风险评估
  2. 依赖库升级路径
  3. 测试策略制定
  4. 渐进式迁移方案

> 协助从 Flask 迁移到 FastAPI：
  - 路由转换策略
  - 中间件适配方案
  - 数据验证迁移
  - 性能优化机会

> 批量处理项目文件：
  - 将所有图片转换为 WebP 格式
  - 根据 EXIF 数据重组织照片
  - 压缩和优化视频文件
  - 生成缩略图和预览

> 智能整理财务文档：
  - 按月份分类 PDF 发票
  - 提取关键财务数据
  - 生成支出分析报告
  - 创建税务准备清单

# 企业级配置文件
export GEMINI_MODEL="gemini-2.5-pro"
export GEMINI_TEMPERATURE="0.3"
export GEMINI_MAX_TOKENS="8192"
export MCP_SERVER_TIMEOUT="30000"

# 团队共享配置
gemini config set --team \
  --project-context="/path/to/project" \
  --coding-standards="/path/to/standards.json" \
  --review-templates="/path/to/templates"

# 监控 API 使用情况
gemini usage --detailed
gemini quota --check

# 优化请求策略
gemini config set --batch-size=5 --parallel-requests=3

# 启用智能缓存
gemini config set --cache-enabled=true --cache-ttl=3600
gemini cache clean --older-than=7d