run-gemini-cli

GitHub
1.9k 244 简单 1 次阅读 2天前Apache-2.0插件图像开发框架Agent
AI 解读 由 AI 自动生成,仅供参考

run-gemini-cli 是一款将谷歌 Gemini AI 深度集成到 GitHub 开发流程中的自动化工具。它以 GitHub Action 的形式运行,既能作为自主代理处理日常编码任务,也能成为开发者随时调用的智能协作伙伴。

该工具主要解决了代码审查耗时、问题分类繁琐以及重复性开发工作占用精力等痛点。通过它,用户可以在 GitHub 仓库内直接通过评论(如 @gemini-cli /review)触发自动化操作,轻松完成 Pull Request 自动评审、Issue 智能分流、代码分析与修改、单元测试生成甚至错误调试等工作,让 AI 像团队成员一样参与开发对话。

run-gemini-cli 特别适合希望提升研发效率的软件开发者、开源项目维护者及技术团队使用。其独特亮点在于高度的灵活性与可定制性:支持基于事件或定时任务自动触发工作流;允许利用 Gemini 的工具调用能力与 GitHub CLI 等其他命令行工具交互;更独创性地支持通过仓库内的 GEMINI.md 文件提供项目专属上下文,确保 AI 的理解与建议紧密贴合特定项目规范。只需简单配置 API 密钥并选择预设工作流,即可在几分钟内让 AI 助力您的代码库。

使用场景

某初创团队的后端工程师在深夜提交了一个紧急修复补丁,急需快速获得代码审查反馈以确保次日上线安全。

没有 run-gemini-cli 时

  • 响应延迟严重:由于团队成员分布在不同时区,提交者必须等待数小时甚至等到第二天上班,才有资深同事有空进行人工代码审查。
  • 重复劳动繁琐:维护者需要手动拉取代码、本地运行静态检查、逐行阅读逻辑才能发现潜在的边界条件错误或风格不一致问题。
  • 上下文切换成本高:为了确认修改是否影响其他模块,开发者需频繁在 IDE、文档和沟通软件间切换,打断心流去询问相关责任人。
  • 夜间运维真空:在非工作时间提交的 Issue 无人分类处理,导致紧急故障被淹没在普通咨询中,无法优先响应。

使用 run-gemini-cli 后

  • 即时自动审查:PR 提交瞬间,run-gemini-cli 自动触发工作流,几分钟内即可在评论区生成包含潜在漏洞分析和修复建议的详细审查报告。
  • 指令式交互协作:开发者只需在评论中输入 @gemini-cli /review@gemini-cli write unit tests,即可按需让 AI 补充测试用例或解释复杂逻辑,无需离开 GitHub 界面。
  • 智能问题分流:新创建的 Issue 会被 run-gemini-cli 自动分析并打上优先级标签(如 bugenhancement),确保紧急问题第一时间被识别。
  • 全天候待命助手:无论凌晨还是节假日,run-gemini-cli 都能基于项目特有的 GEMINI.md 上下文提供一致的代码质量把关,填补人力空窗期。

run-gemini-cli 将被动等待的人工审查转变为主动实时的智能协作,显著缩短了从代码提交到合并的安全闭环时间。

运行环境要求

操作系统
  • 未说明 (作为 GitHub Action 运行,依赖 GitHub Hosted Runners 环境,通常支持 Ubuntu/Linux
  • Windows
  • macOS)
GPU

不需要 (基于 Google Cloud Gemini API 或 Vertex AI,计算在云端进行)

内存

未说明 (取决于 GitHub Runner 实例配置,通常为 7GB-16GB+)

依赖
notes该工具是一个 GitHub Action,而非本地运行的模型。它不需要本地 GPU 或大量内存。主要需求是配置有效的 Gemini API Key 或 Google Cloud 凭证。它通过调用远程 API 执行任务,支持通过 .gemini/settings.json 进行项目级配置,并可选择使用 Workload Identity Federation 进行无密钥认证。
python未说明 (由 Gemini CLI 内部管理,用户无需直接配置)
Node.js (用于运行 gemini-cli)
npm 或 pnpm (包管理器)
GitHub Actions 环境
Google Cloud SDK (可选,用于高级认证)
run-gemini-cli hero image

快速开始

run-gemini-cli

概述

run-gemini-cli 是一个 GitHub Action,通过 Gemini CLIGemini 集成到您的开发工作流中。它既可以作为关键常规编码任务的自主代理,也可以作为可随时委派工作的按需协作伙伴。

使用它可以在您的 GitHub 仓库内直接以对话式的方式(例如 @gemini-cli 解决这个问题)执行 GitHub 拉取请求审查、问题分类、代码分析和修改等操作。

功能

  • 自动化:根据事件(如问题打开)或计划(如每晚)触发工作流。
  • 按需协作:通过在问题和拉取请求评论中提及 Gemini CLI 来触发工作流(例如 @gemini-cli /review)。
  • 工具扩展性:利用 Gemini 模型的工具调用能力与其他 CLI(如 GitHub CLI (gh)) 进行交互。
  • 可定制:在您的仓库中使用 GEMINI.md 文件,为 Gemini CLI 提供项目特定的指令和上下文。

快速入门

只需几分钟即可在您的仓库中开始使用 Gemini CLI:

1. 获取 Gemini API 密钥

Google AI Studio 获取您的 API 密钥,享受丰厚的免费配额。

2. 将其添加为 GitHub 秘密

将您的 API 密钥存储为名为 GEMINI_API_KEY 的仓库秘密:

  • 前往您的仓库的 设置 > 秘密和变量 > Actions
  • 点击 新建仓库秘密
  • 名称:GEMINI_API_KEY,值:您的 API 密钥

3. 更新 .gitignore 文件

将以下条目添加到您的 .gitignore 文件中:

# gemini-cli 设置
.gemini/

# GitHub 应用程序凭据
gha-creds-*.json

4. 选择工作流

您有两种方式来设置工作流:

选项 A:使用设置命令(推荐)

  1. 在终端中启动 Gemini CLI:

    gemini
    
  2. 在终端中的 Gemini CLI 中输入:

    /setup-github
    

选项 B:手动复制工作流

  1. 将预构建的工作流从 examples/workflows 目录复制到您仓库的 .github/workflows 目录中。注意:必须同时复制 gemini-dispatch.yml 工作流,该工作流会触发其他工作流的运行。

5. 试用一下!

拉取请求审查:

  • 在您的仓库中打开一个拉取请求,并等待自动审查。
  • 在现有拉取请求上评论 @gemini-cli /review 以手动触发审查。

问题分类:

  • 打开一个问题并等待自动分类。
  • 在现有问题上评论 @gemini-cli /triage 以手动触发分类。

通用 AI 协助:

  • 在任何问题或拉取请求中,提及 @gemini-cli 并附上您的请求。
  • 示例:
    • @gemini-cli 解释这个代码更改
    • @gemini-cli 为这个函数提出改进建议
    • @gemini-cli 帮我调试这个错误
    • @gemini-cli 为这个组件编写单元测试

工作流

此操作提供了多个针对不同用例的预构建工作流。每个工作流都设计为复制到您仓库的 .github/workflows 目录中,并根据需要进行自定义。

Gemini 分发

此工作流充当 Gemini CLI 的中央调度器,根据触发事件和评论中提供的命令,将请求路由到相应的工作流。有关如何设置分发工作流的详细指南,请参阅 Gemini 分发工作流文档

问题分类

此操作可用于自动或按计划对 GitHub 问题进行分类。有关如何设置问题分类系统的详细指南,请参阅 GitHub 问题分类工作流文档

拉取请求审查

此操作可在拉取请求打开时自动对其进行审查。有关如何设置拉取请求审查系统的详细指南,请参阅 GitHub PR 审查工作流文档

Gemini CLI 助手

此类操作可用于在拉取请求和问题中调用通用的对话式 Gemini AI 助手,以执行各种任务。有关如何设置通用 Gemini CLI 工作流的详细指南,请参阅 Gemini 助手工作流文档

配置

输入

  • gcp_location: (可选) Google Cloud 地区。

  • gcp_project_id: (可选) Google Cloud 项目 ID。

  • gcp_service_account: (可选) Google Cloud 服务账号邮箱。

  • gcp_workload_identity_provider: (可选) Google Cloud 工作负载身份提供商。

  • gcp_token_format: (可选,默认值:access_token) 用于身份验证的令牌格式。设置为 access_token 可生成访问令牌(需要服务账号),或设置为空字符串以直接使用 WIF。可取值为 access_tokenid_token

  • gcp_access_token_scopes: (可选,默认值:https://www.googleapis.com/auth/cloud-platform,https://www.googleapis.com/auth/userinfo.email,https://www.googleapis.com/auth/userinfo.profile)token_format 设置为 access_token 时使用的访问令牌范围。以逗号分隔的 OAuth 2.0 范围列表。

  • gemini_api_key: (可选) Gemini API 的 API 密钥。

  • gemini_cli_version: (可选,默认值:latest) 要安装的 Gemini CLI 版本。可取值为 latestpreviewnightly、特定版本号,或 Git 分支、标签、提交哈希。更多信息请参阅 Gemini CLI 发布说明

  • gemini_debug: (可选) 启用调试日志记录和输出流式传输。

  • gemini_model: (可选) 与 Gemini 配合使用的模型。

  • google_api_key: (可选) 与 Gemini 搭配使用的 Vertex AI API 密钥。

  • prompt: (可选,默认值:You are a helpful assistant.) 传递给 Gemini CLI 的 --prompt 参数 的字符串。

  • settings: (可选) 写入 .gemini/settings.json 的 JSON 字符串,用于配置 CLI 的 项目 设置。 更多详情请参阅关于 设置文件 的文档。

  • use_gemini_code_assist: (可选,默认值:false) 是否使用 Code Assist 来访问 Gemini 模型,而不是使用默认的 Gemini API 密钥。 更多信息请参阅 Gemini CLI 文档

  • use_vertex_ai: (可选,默认值:false) 是否使用 Vertex AI 来访问 Gemini 模型,而不是使用默认的 Gemini API 密钥。 更多信息请参阅 Gemini CLI 文档

  • extensions: (可选) 要安装的 Gemini CLI 扩展列表。

  • upload_artifacts: (可选,默认值:false) 是否将构建产物上传到 GitHub Actions。

  • use_pnpm: (可选,默认值:false) 是否使用 pnpm 而不是 npm 来安装 gemini-cli。

  • workflow_name: (可选,默认值:${{ github.workflow }}) GitHub 工作流名称,用于遥测目的。

输出

  • summary: Gemini CLI 执行后的汇总输出。

  • error: Gemini CLI 执行过程中产生的错误输出(如有)。

仓库变量

我们建议将以下值设置为仓库变量,以便在所有工作流中重复使用。或者,您也可以在单个工作流中将其作为操作输入内联设置,或覆盖仓库级别的值。

名称 描述 类型 必需 需要时
GEMINI_DEBUG 启用 Gemini CLI 的调试日志记录。 变量 永不
GEMINI_CLI_VERSION 控制安装哪个版本的 Gemini CLI。 变量 锁定 CLI 版本
GCP_WIF_PROVIDER 工作负载身份提供商的完整资源名称。 变量 使用 Google Cloud
GOOGLE_CLOUD_PROJECT 用于推理和可观测性的 Google Cloud 项目。 变量 使用 Google Cloud
SERVICE_ACCOUNT_EMAIL Google Cloud 服务账户的电子邮件地址。可选——仅在使用服务账户 WIF 时需要(直接 WIF 不需要)。 变量 使用服务账户 WIF
GOOGLE_CLOUD_LOCATION Google Cloud 项目的区域。 变量 使用 Google Cloud
GOOGLE_GENAI_USE_VERTEXAI 设置为 true 以使用 Vertex AI 变量 使用 Vertex AI
GOOGLE_GENAI_USE_GCA 设置为 true 以使用 Gemini Code Assist 变量 使用 Gemini Code Assist
APP_ID 自定义身份验证的 GitHub 应用程序 ID。 变量 使用自定义 GitHub 应用程序

[!WARNING] 请勿使用 DEBUG 环境变量,因为它会导致 Gemini CLI 挂起,等待节点调试器连接。

添加仓库变量的步骤:

  1. 前往您的仓库的 设置 > 秘密和变量 > Actions > 新建变量
  2. 输入变量名和值。
  3. 保存。

有关仓库变量的详细信息,请参阅 GitHub 关于变量的文档

秘密

您可以在仓库中设置以下秘密:

名称 描述 必需 需要时
GEMINI_API_KEY 您来自 Google AI Studio 的 Gemini API 密钥。 您没有 GCP 项目。
APP_PRIVATE_KEY 您 GitHub 应用程序的私钥(PEM 格式)。 使用自定义 GitHub 应用程序。
GOOGLE_API_KEY 您用于 Vertex AI 的 Google API 密钥。 您拥有 Express Vertex AI 账户。

添加秘密的步骤:

  1. 前往您的仓库的 设置 > 秘密和变量 > Actions > 新建仓库秘密
  2. 输入秘密名称和值。
  3. 保存。

有关更多信息,请参阅 GitHub 官方关于创建和使用加密秘密的文档

身份验证

此操作需要同时对 Google 服务(用于 Gemini AI)和 GitHub API 进行身份验证。

Google 身份验证

请选择最适合您用例的身份验证方法:

  1. Gemini API 密钥: 对于不需要 Google Cloud 集成的项目来说,这是最简单的方法。
  2. 工作负载身份联合: 这是向 Google Cloud 服务进行身份验证的最安全方法。

GitHub 身份验证

您可以通过两种方式对 GitHub 进行身份验证:

  1. 默认 GITHUB_TOKEN 对于更简单的用例,该操作可以使用工作流提供的默认 GITHUB_TOKEN
  2. 自定义 GitHub 应用程序(推荐): 为了获得最安全、最灵活的身份验证,我们建议创建一个自定义 GitHub 应用程序。

有关 Google 和 GitHub 身份验证的详细设置说明,请参阅 身份验证文档

观测性

此操作可以配置为将遥测数据(跟踪、指标和日志)发送到您自己的 Google Cloud 项目。这使您能够监控 Gemini CLI 在工作流中的性能和行为,从而为调试和优化提供有价值的见解。

有关如何设置和配置观测性的详细说明,请参阅 观测性文档

扩展

Gemini CLI 可以通过扩展来增加额外的功能。这些扩展是从其 GitHub 仓库的源代码安装的。

有关如何设置和配置扩展的详细说明,请参阅 扩展文档

最佳实践

为确保自动化工作流的安全性、可靠性和效率,我们强烈建议遵循我们的最佳实践。这些指南涵盖了仓库安全、工作流配置和监控等关键领域。

主要建议包括:

  • 保护您的仓库: 实施分支和标签保护,并限制拉取请求的批准者。
  • 工作流配置: 使用工作负载身份联合实现对 Google Cloud 的安全身份验证,有效管理秘密,并锁定操作版本以防止意外更改。
  • 监控和审计: 定期审查操作日志,并启用 OpenTelemetry 以深入了解性能和行为。

有关保护仓库和工作流的全面指南,请参阅我们的 最佳实践文档

自定义

在您的仓库根目录下创建一个 GEMINI.md 文件,以向 Gemini CLI 提供项目特定的上下文和说明。这对于定义编码规范、架构模式或其他模型应遵循的指导原则非常有用。

贡献

欢迎贡献!请查看 Gemini CLI 的 贡献指南,了解更多关于如何开始的信息。

版本历史

v0.1.212026/02/25
v0.1.202026/01/29
v0.1.192026/01/19
v0.1.182025/12/16
v0.1.172025/12/16
v0.1.162025/12/02
v0.1.152025/11/21
v0.1.142025/10/23
v0.1.132025/10/09
v0.1.122025/08/26
v0.1.112025/08/14
v0.1.102025/08/08
v0.1.92025/08/08
v0.1.82025/08/08
v0.1.72025/08/08
v0.1.62025/08/07
v0.1.52025/08/06
v0.1.42025/08/06
v0.1.32025/08/06
v0.1.22025/08/06

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|昨天
Agent图像开发框架