97 lines
5.6 KiB
Markdown
97 lines
5.6 KiB
Markdown
---
|
||
name: gemini-skill
|
||
description: 通过 Gemini 官网（gemini.google.com）执行问答与生图操作。用户提到"问问Gemini/让Gemini回答/去Gemini问"，或出现"生图/画图/绘图/nano banana/nanobanana/生成图片"等关键词时触发。默认使用可用模型中最强档（优先 Gemini 3.1 Pro），按任务切换文本问答或图片生成流程，并把结果回传给用户。
|
||
---
|
||
|
||
# Gemini Web Ops
|
||
|
||
## 核心规则
|
||
|
||
1. 使用 Browser Daemon 托管的浏览器（Daemon 未运行时会自动后台拉起，无需手动启动）。
|
||
2. 涉及生图关键词（如：生图、绘图、画一张、nano banana）时，优先用无头浏览器流程执行。
|
||
3. 文本问答任务（如"问问Gemini xxx"）走 Gemini 文本提问链路。
|
||
4. 默认模型：可用列表中最强模型，优先 `Gemini 3.1 Pro`。
|
||
5. 执行生图后先向用户回报"正在绘图中"，完成后回传图片。
|
||
6. **禁止使用浏览器截图（screenshot）获取生成图片**。默认通过 `ops.extractImageBase64()` 从已渲染的 DOM 直接提取图片 Base64 数据，解码后保存到本地再发送给用户；仅当用户明确要求高清/原图时，才调用 `ops.downloadLatestImage()` 走原图下载流程。
|
||
7. **只调封装好的方法，禁止自己写 `page.evaluate()`**。所有操作通过 `ops.xxx`（高层业务）或 `operator.xxx`（底层原子）完成。底层已全部走 CDP 协议，无需关心实现细节。直接写 evaluate 既浪费 token 又容易出错。
|
||
|
||
## 任务分流
|
||
|
||
- **文本问答**触发词：`问问Gemini`、`让Gemini回答`、`去Gemini问`。
|
||
- **生图任务**触发词：`生图`、`画`、`绘图`、`海报`、`nano banana`、`nanobanana`、`image generation`。
|
||
- 若请求含糊，先确认：是文本回答还是要出图。
|
||
|
||
## 标准执行流程
|
||
|
||
### 按钮状态机
|
||
|
||
Gemini 页面的操作按钮（`.send-button-container` 内）通过 `aria-label` 反映当前状态：
|
||
|
||
| aria-label | 状态 | 含义 |
|
||
|---|---|---|
|
||
| 麦克风 | `idle` | 输入框为空，空闲中 |
|
||
| 发送 / Send | `ready` | 输入框有内容，可发送 |
|
||
| 停止 / Stop | `loading` | 已发送，正在生成回答 |
|
||
|
||
可通过 `ops.getStatus()` 获取当前状态，通过 `ops.pollStatus()` 分段轮询等待生成完毕。
|
||
|
||
### A. 文本问答
|
||
1. 打开 `https://gemini.google.com`。
|
||
2. 校验登录态（头像/输入框可见）。
|
||
3. 新建会话：`click('newChatBtn')`，确保干净上下文。
|
||
4. 选择最强可用模型（优先 Gemini 3.1 Pro）。
|
||
5. 将用户问题原样输入并发送。
|
||
6. **分段轮询等待**（见下方"CDP 保活轮询策略"）。
|
||
7. 等待完整输出，提炼后回传（必要时附原文要点）。
|
||
|
||
### B. 生图流程
|
||
1. 打开 Gemini 页面并确认登录。
|
||
2. 新建会话：`click('newChatBtn')`，确保干净上下文。
|
||
3. 选择最强可用模型（优先 Gemini 3.1 Pro）。
|
||
4. 将用户提示词原样输入。
|
||
5. 发送后立即通知用户：正在绘图中。
|
||
6. **分段轮询等待**（见下方"CDP 保活轮询策略"，生图超时上限 120s）。
|
||
7. 结果出现后，调用 `ops.getLatestImage()` 获取最新生成的图片（Gemini 一次只生成一张）：
|
||
- 返回 `{ok, src, alt, width, height, hasDownloadBtn}`。
|
||
- 定位依据：`<img class="image loaded">` — 只有同时具有 `image` 和 `loaded` 两个 class 的才是已渲染完成的生成图片；DOM 中取最后一个即为最新。
|
||
- `src` 为 `https://lh3.googleusercontent.com/...` 格式的原图 URL。
|
||
- 若 `ok === false`，等几秒再调一次；连续两次失败则做 screenshot 排查页面状态。
|
||
- **默认**：调用 `ops.extractImageBase64()` 从 DOM 直接提取图片 Base64（Canvas 优先，跨域污染时 fallback 到 fetch），解码后保存为本地文件发送给用户。
|
||
- **高清**：仅当用户明确要求高清/原图时，才调用 `ops.downloadLatestImage()` 走原图下载按钮流程。
|
||
- 下载按钮定位：从 `img` 向上找到 `.image-container` 容器，容器内的 `mat-icon[fonticon="download"]` 即为下载原图按钮。
|
||
- ⚠️ **严禁使用浏览器截图（screenshot）代替保存图片**。
|
||
8. 将保存到本地的图片文件发送给用户。
|
||
|
||
## CDP 保活轮询策略
|
||
|
||
> **核心原则**：通过 `ops.pollStatus()` 分段轮询，不要试图一次性长时间等待结果。
|
||
|
||
生图/问答发送后，按以下方式等待结果：
|
||
|
||
1. 每隔 **8~10 秒**调用一次 `ops.pollStatus()`。
|
||
2. 该函数立即返回 `{status, label, pageVisible, ts}`。
|
||
3. 调用端根据 `status` 判断：
|
||
- `loading` → 继续等待，累计已耗时。
|
||
- `idle` → 生成完毕，进入结果获取阶段。
|
||
- `unknown` → 页面可能异常，做一次 snapshot 兜底排查。
|
||
4. 累计耗时超过上限（文本 60s / 生图 120s）→ 走超时回退逻辑。
|
||
|
||
**为什么这样做**：Skill 通过 CDP（Chrome DevTools Protocol）WebSocket 控制 Daemon 托管的浏览器。若长时间（>30s）无消息往来，网关/代理可能判定连接空闲并断开。分段短轮询保证 CDP 通道始终有心跳流量。
|
||
|
||
## 失败回退
|
||
|
||
1. 元素定位失败：刷新页面后重试一次。
|
||
2. 模型不可用：降级到次优 Gemini 模型并告知。
|
||
3. 生成超时：回报"仍在生成中"，继续等待一次；再次超时则请用户换短提示词。
|
||
|
||
## 低 token 优先策略
|
||
|
||
- **只调封装好的 `ops.xxx` / `operator.xxx` 方法**，不要自己拼 `page.evaluate()` 代码——既省 token 又不容易出错。
|
||
- 先调方法执行动作，再用 `operator.screenshot()` 精准兜底排查。
|
||
- 避免高频全量快照。
|
||
|
||
## 参考
|
||
|
||
- 详细执行与回退：`references/gemini-flow.md`
|
||
- 关键词与路由：`references/intent-routing.md`
|