Airsc is free for everyone. If it helps you, support it with $2–$20.

Support
VISign in
SkillSafeAI & LLM featuresSome setup

gemini-skill

WJZ-P · WJZ-P/gemini-skill

This MCP server provides skills for AI agents to automate Gemini web interface interactions, including AI image generation, dialogue, and image extraction via browser control.

gemini drawing MCP & skill through browser, can be used in openclaw or any agent that supports MCP. Gemini画图 MCP和sill，支持龙虾或任何agent使用٩(๑>◡<๑)۶

832 stars121License: MITUpdated last month0 opens

See it in action

Chat interface showing Gemini modifying an image with cat ears

From the author's READMEChat interface showing Gemini modifying an image with cat ears

From the author's README WJZ-P ·Source

What you can do with it

  • Generate AI images directly through Gemini's web interface using an agent.
  • Automate conversations with Gemini for content generation or data retrieval.
  • Extract generated images or specific information from Gemini's responses programmatically.

Safety check

Safe

No risky patterns found in the files we scanned.

Automated scan of the repo files. Always review code you run.

From the 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。

 

 

 

 

 

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」

目录

▲ 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 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_PORT40821CDP 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_HEADLESSfalse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_TIMEOUT60000CDP 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_PORT40225Daemon HTTP 服务端口
DAEMON_TTL_MS1800000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_URLhttps://api.atlascloud.ai/v1Atlas 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_MODELopenai/gpt-4o-miniAtlas Cloud 默认模型
ATLAS_REQUEST_TIMEOUT_MS60000Atlas Cloud 请求超时（毫秒）

关于

View source on GitHub