Gemini CLI 教程：长文档处理、多模态输入与 Google Workspace 集成实战指南

为什么 Gemini CLI 值得单独写一篇

三大 AI 编程 CLI 工具里，Claude Code 以代码理解深度著称，Codex 依托 GPT-5.5 的推理能力处理复杂任务，而 Gemini CLI 的差异化切入点并不在这两个维度——它的真正优势在于超长上下文、多模态输入、以及与 Google 生态的深度打通。

Gemini 3 系列的上下文窗口达到 200 万 token，折合约 150 万汉字或 5000 页 A4 文档。这个数字在实际工作场景里意味着什么？一份完整的代码仓库、一本技术手册、半年的会议记录，可以一次性喂进去，不需要手动切分、分批处理或者维护外部索引。对于需要"全局视角"的任务——合同审查、大型项目重构、跨文档知识整合——这个窗口优势是实质性的，不是参数游戏。

本篇 Gemini CLI 教程会聚焦三个具体场景，给出可直接复用的命令和操作思路。

---

安装与基础配置

Gemini CLI 通过 npm 全局安装，Node.js 版本要求 ≥ 18.0：

npm install -g @google/gemini-cli
gemini auth login          # 跳转浏览器完成 Google 账户授权
gemini config set model gemini-3-pro   # 指定默认模型

认证完成后，~/.config/gemini/config.json 里会写入凭证。如果你在企业环境用 Workspace 账户，走 gemini auth login --workspace 走单独授权流，后面 Drive/Docs 集成会用到这个权限。

验证环境：

gemini --version
gemini chat "用一句话解释 2M token 上下文窗口对开发者的实际意义"

首次响应延迟一般在 2-4 秒，之后对话保持 session 状态，退出前上下文持续累积。

---

长文档处理：200 万 token 的实际用法

这是 Gemini CLI 相比 Claude Code 和 Codex 最难被复制的能力。以下是三个高频场景的具体命令。

场景一：整库代码审查

# 将整个项目目录喂入单次对话
gemini chat --attach ./src --attach ./tests \
  "找出所有潜在的 SQL 注入风险点，按文件列出，给出修改建议"

--attach 接受目录或单文件，Gemini CLI 会自动递归读取、拼接内容。一个 30 万行的 Python 项目大约占用 40-60 万 token，在 200 万上限内完全可以一次处理。

场景二：长 PDF 文档分析

gemini chat --attach ./contract_bundle.pdf \
  "提取所有涉及违约赔偿金额的条款，按合同编号汇总，输出为 markdown 表格"

PDF 会被自动解析为文本（含图表 OCR），无需预处理。相比先用脚本提取文本再调 API，这一步骤节省了大量管道工作。

场景三：多文件跨文档对比

gemini chat \
  --attach ./spec_v1.md \
  --attach ./spec_v2.md \
  --attach ./implementation.py \
  "对比两版规格文档的差异，标出实现代码中哪些部分没有跟上 v2 的变更"

这类任务在 Claude Code 或 Codex 里通常需要分多轮完成，因为两者的上下文窗口在 20-32 万 token 之间（Claude Opus 4.8 为 20 万，GPT-5.4 约 32 万），而三个文件加起来很容易超出这个范围。

---

多模态输入：不只是"看图说话"

Gemini 3 的多模态能力支持图像、视频帧、音频片段直接作为输入，这在 CLI 场景里开辟了一些很实用的工作流。

UI 截图转代码

gemini chat --image ./mockup.png \
  "根据这张设计稿生成对应的 React + Tailwind 组件，用 TypeScript，保持颜色和间距一致"

输出质量与图片清晰度正相关。1080p 截图的还原度明显好于低分辨率图片。

架构图分析

gemini chat --image ./system_architecture.png \
  "分析这张架构图，找出单点故障风险，给出加固建议"

视频演示转文档

gemini chat --video ./demo_recording.mp4 \
  "根据这段操作录屏生成用户手册，分步骤描述每个操作，给出截图时间戳"

视频输入目前限制在 1 小时以内，文件大小上限 2GB。这对大多数 demo 录屏或会议片段已经足够。

与 Claude Code 的对比：Claude Code 目前的 CLI 不直接支持视频输入；Codex 的多模态能力主要集中在图像，视频需要通过 API 处理而非 CLI 原生支持。Gemini CLI 在这个维度的原生集成是实质性优势。

---

Google Workspace 集成：把 Drive 和 Docs 变成上下文

这是 Gemini CLI 独有的能力，其他 CLI 工具没有类似的官方集成路径。

授权完成后，可以直接引用 Google Drive 文件 URL 作为输入：

gemini chat \
  --gdrive "https://docs.google.com/document/d/1aBcDe.../edit" \
  "总结这份需求文档的核心功能点，输出优先级排序列表"

也可以批量引用 Drive 目录：

gemini chat \
  --gdrive-folder "https://drive.google.com/drive/folders/1xYzAb..." \
  "分析这个文件夹里所有的会议纪要，找出反复出现但未解决的问题"

结合 Google Sheets 做数据分析：

gemini chat \
  --gsheet "https://docs.google.com/spreadsheets/d/1Fg..." \
  "对 Q1-Q2 的销售数据做趋势分析，找出增长最快的三个品类，给出原因假设"

这个集成对重度 Workspace 用户的价值是直接的——不需要手动导出文件再上传，整个工作流在 Google 生态内闭环。

对于企业用户，结合 --workspace-domain 参数还可以限制数据访问范围，满足数据合规要求。

---

三大 CLI 工具横向对比

维度	Gemini CLI	Claude Code	Codex
上下文窗口	200 万 token	20 万 token	32 万 token
多模态（CLI 原生）	图像 + 视频 + 音频	图像	图像
Workspace 集成	原生支持	无	无
代码推理深度	良好	优秀	优秀
响应速度（首 token）	2-4s	1-3s	1-3s
离线/私有化部署	不支持	不支持	不支持

选型逻辑很清晰：如果任务核心是超长上下文处理或与 Google 生态打通，Gemini CLI 是首选；如果是复杂代码推理和重构，Claude Code 和 Codex 仍然更稳。实际工作里这几个工具并不互斥，很多团队会根据任务类型混用。

---

如果你想在一个地方统一调用 Gemini CLI、Claude Code 和 Codex，不想分别管理多个账户和计费，可以看看 XycAi 词元平台。它提供 OpenAI 兼容 API，接入 200+ 全球模型，支持 Gemini CLI / Claude Code / Codex 一键接入，全球节点 CN2 直连延迟低至 5ms，Claude 和 GPT 官方模型折扣力度也比较大。对于需要多工具混用又想控制成本的开发者或团队，值得试试。