Gemini CLI 实战指南：自定义命令与MCP插件配置详解

Google 近期对 Gemini CLI 进行了一系列重要更新，新增了 MCP 集成、IDE 支持以及自定义指令等功能。作为一款免费且强大的 AI 编程命令行工具，Gemini CLI 正在成为越来越多开发者的新选择。本文将从安装配置到高级用法，带你全面掌握 Gemini CLI 的核心玩法。

安装与基础配置

快速安装

Gemini CLI 的安装非常简单，只需遵循官方指令即可完成。安装完成后，通过回车确认，系统会自动完成环境配置。首次进入后，你需要进行账号认证登录——输入 /auth 指令，选择 Login 即可完成认证。

当前 Gemini CLI 提供了相当慷慨的免费额度：

每日请求次数：1000 次
模型：Gemini 2.5 Pro
上下文窗口：100 万 Token
请求频率：每分钟 60 次

这个免费额度对于日常开发来说已经非常充足。值得特别关注的是 100 万 Token 的上下文窗口——**上下文窗口（Context Window）**是指大语言模型在单次推理中能够处理的最大文本长度。Token 并非等同于字符或单词，通常一个英文单词约为 1-2 个 Token，中文字符约为 1-2 个 Token。100 万 Token 大约相当于 75 万个英文单词，或约 1500 页标准文档。对于代码场景而言，这意味着可以一次性加载数十个中等规模的源代码文件，让模型在全局视角下理解项目依赖关系和架构设计，而无需人工切片拆分上下文，这在处理大型项目时优势极为突出。

初体验：用 Gemini CLI 总结项目

登录成功后，可以直接让 Gemini CLI 帮你总结当前项目。它会自动读取项目中的 README.md、package.json 等关键文件，然后返回一份结构化的项目概览，包括核心要点、技术栈以及使用方式。

Gemini CLI 项目总结效果

从实际体验来看，Gemini CLI 对项目结构的理解相当准确，能够快速抓住项目的核心信息，这对于快速了解一个新项目非常有帮助。

自定义命令：打造个性化工作流

自定义命令是 Gemini CLI 最实用的功能之一，它允许你将常用的提示词封装成快捷命令，大幅提升工作效率。

创建自定义命令

在 VS Code 中打开项目后，按照以下目录结构创建文件：

项目根目录/
└── .gemini/
    └── commands/
        └── summary.toml

在 .gemini 文件夹下创建 commands 文件夹，然后以命令名作为文件名创建 .toml 文件。Gemini CLI 采用 TOML（Tom's Obvious, Minimal Language）作为配置格式——这是一种专为配置文件设计的轻量级标记语言，由 GitHub 联合创始人 Tom Preston-Werner 于2013年创建。相比 JSON，TOML 支持注释、日期类型，语法更接近人类书写习惯；相比 YAML，TOML 的缩进规则更严格，不易因空格错误导致解析失败，因此被 Rust 生态（Cargo.toml）和众多现代开发工具链广泛采用。在 TOML 文件中填入你的提示词模板即可完成配置。

自定义命令的 TOML 配置文件

例如，创建一个 summary 命令，提示词可以写成"请帮我为这个项目生成一个 summary"。如果需要支持参数，还可以设置为"为指定的文件或文件夹生成 summary"，实现更灵活的调用。

使用自定义命令

重新进入 Gemini CLI 后，输入 / 就能在命令列表中看到新创建的 summary 命令。回车执行后，Gemini CLI 会自动读取 .gemini/commands/summary.toml 中的提示词，然后扫描项目文件并生成总结。

自定义命令执行效果

这个功能的价值在于可复用性。你可以为团队创建一套标准化的命令集，比如 review（代码审查）、refactor（重构建议）、test（生成测试用例）等，让每个团队成员都能用一致的方式与 AI 协作。

MCP 插件集成：扩展无限可能

MCP（Model Context Protocol） 是由 Anthropic 于2024年底提出并开源的标准化协议，旨在解决 AI 模型与外部工具、数据源之间的集成碎片化问题。在 MCP 出现之前，每个 AI 工具都需要为不同的外部服务单独开发适配层，维护成本极高。MCP 通过定义统一的客户端-服务器通信规范，让任何支持该协议的 AI 应用都能即插即用地接入第三方工具——就像 USB 接口统一了硬件连接标准一样。目前 MCP 已获得 Google、Microsoft 等主流科技公司的广泛支持，生态正在快速扩张。Gemini CLI 对 MCP 的原生支持，意味着它可以无缝接入这一持续壮大的工具生态。

配置 MCP Server

进入用户目录下的 .gemini 文件夹，找到 settings.json 文件。根据官方文档，在该文件中添加 mcpServers 字段，填入对应的 MCP Server 配置信息。

MCP Server 配置示例

以 Context7 MCP 为例，只需将其提供的配置信息复制到 settings.json 的 mcpServers 字段中即可。你可以同时配置多个 MCP Server，比如：

Context7：提供上下文增强工具，可实时获取第三方库的最新文档
Mermaid MCP：生成 Mermaid 流程图和图表
Desktop Commander：提供桌面操作相关工具

验证与使用 MCP 工具

配置完成后，重新打开 Gemini CLI，输入 /mcp 命令，再使用 list 子命令，就能看到所有已连接的 MCP Server 及其提供的工具列表。确认工具加载成功后，你就可以在编码过程中随时调用这些 MCP 工具了。

例如，当你需要生成架构图时，可以直接让 Gemini CLI 调用 Mermaid MCP 来生成；当你需要查阅最新的库文档时，可以通过 Context7 获取实时信息。这种基于 MCP 协议的插件化扩展机制，让 Gemini CLI 的能力边界不再局限于模型本身，而是随着整个 MCP 生态的成长而持续扩大。

与 Claude Code 的对比

从功能完整度来看，Gemini CLI 已经具备了与 Claude Code 竞争的核心能力：

特性	Gemini CLI	Claude Code
免费额度	1000次/天，100万Token	有限免费额度
MCP 支持	✅	✅
自定义命令	✅（TOML配置）	✅（斜杠命令）
上下文窗口	100万 Token	约20万 Token

Gemini CLI 最大的优势在于免费额度充足和超大上下文窗口。100 万 Token 的上下文意味着它可以同时理解更多的代码文件，这在处理大型项目时优势明显。不过，具体的代码生成质量和推理能力还需要在实际项目中进一步验证。

总结

Gemini CLI 经过近期的密集更新，已经从一个简单的命令行工具进化为功能完善的 AI 编程助手。自定义命令让你能够打造个性化的开发工作流，MCP 集成则借助这一正在成为行业标准的开放协议，赋予了它几乎无限的扩展能力。对于想要尝试 AI 辅助编程但又不想付费的开发者来说，Gemini CLI 无疑是当前最值得一试的选择之一。

核心要点

Gemini CLI 提供每日1000次免费请求，支持 Gemini 2.5 Pro 模型和100万 Token 上下文窗口
通过在项目 .gemini/commands/ 目录下创建 TOML 文件，可以自定义快捷命令封装常用提示词
支持 MCP 协议集成，在 settings.json 中配置即可接入 Context7、Mermaid 等第三方工具
相比 Claude Code，Gemini CLI 在免费额度和上下文窗口大小上具有明显优势
自定义命令和 MCP 插件的组合使用，可以构建高效的个性化 AI 编程工作流