Gemini CLI 进阶指南：用 GEMINI.md、计划模式与记忆打造懂你的 AI 助手

每次打开 Gemini CLI 都要重新解释一遍你的技术栈？这种重复劳动在进阶用法里完全可以避免。Gemini CLI 的三层上下文体系、计划模式和持久记忆机制，能让 AI 助手像老同事一样熟悉你的项目。本文拆解这套机制的工作原理与实战用法。

三层 GEMINI.md：望远镜式的上下文堆叠

Gemini CLI 会自动加载三个层级的 GEMINI.md 文件——全局、项目和文件夹级，无需任何额外配置。这套设计的核心价值在于，你不必在每次会话里从零开始描述环境。

作者用望远镜来比喻这种结构：全局文件设定适用于所有项目的宽泛规则，项目文件聚焦于当前技术栈，子文件夹文件则进一步放大到某个具体模块。三者层层聚焦，自动叠加生效。

Context stacks like a telescope.

不想从空白页开始？/init 命令会读取你的项目结构，几秒内生成一份 GEMINI.md 初稿。你拿到的不是白纸，而是一份已经了解你代码仓库的草稿，直接编辑即可。

该往 GEMINI.md 里写什么

一个常见误区是把模型已经知道的通用知识写进去，这只会浪费上下文空间。真正有价值的是那些项目特有的信息：

不那么显而易见的构建命令
你的命名规范
每个新贡献者都会踩的那些坑

这些才是真正会改变 AI 回答质量的信息。换句话说，跳过模型本就掌握的内容，只记录让新人困惑、让机器误解的细节。

The non-obvious build command, your naming rules, the gotchas that trip up every new contributor.

从文件系统位置来看，三层 GEMINI.md 的加载路径分别是：全局文件位于用户主目录（通常是 ~/.gemini/GEMINI.md），项目文件位于 Git 仓库根目录，子文件夹文件则放在任意子目录下。当你在某个子目录中运行 Gemini CLI 时，三份文件的内容会按照全局→项目→子文件夹的顺序依次注入上下文，内容不会互相覆盖，而是累加叠加。这意味着你可以在全局文件里写"我偏好函数式风格"，在项目文件里写"这是一个 Django 后端"，在子文件夹文件里写"这个模块专门处理支付逻辑，绝不引入外部依赖"——三条信息会同时生效，Gemini 在该子目录下的每次对话都能同时感知这三层背景。

/memory：告诉一次，永远记住

用 /memory 命令向 Gemini 陈述一个事实，它就不会再问第二次。更巧妙的是，agent 会自己判断该把这条信息写到哪里：

团队共享的事实写入仓库的 GEMINI.md
个人笔记写入全局文件

这些记忆会在未来每一次会话中自动保留，不需要你手动维护。

全局文件：发给每个会话的常驻简报

全局 GEMINI.md 相当于一份交给每个 Gemini 会话的永久简报。你只需定义一次编码风格、偏好的解释深度、框架选择，它们就会跟随你出现在每个项目里，再也不用反复复制粘贴。

Your global file is a permanent briefing sheet handed to every Gemini session you ever open.

这种设计把个人偏好和项目知识清晰分层——个人习惯归全局，项目细节归仓库，避免了两者混淆。

计划模式：让 AI 动手前先交出方案

对于任何涉及两个以上文件的任务，作者建议先让 Gemini 制定计划，而不是直接动手。流程是：审查计划 → 批准 → 逐步执行。

这样做的好处很直接：你能在提纲阶段就发现 AI 的理解偏差，而此时一个字符都还没被改动。相比让 AI 直接改完一堆文件再回头纠错，计划模式把试错成本降到最低，尤其适合多文件重构这类高风险操作。

在实际使用中，触发计划模式通常只需在提示词里加上"先给我列一个计划"或"不要直接修改文件，先说说你的方案"这类指令。Gemini CLI 本身也支持通过特定标志位或对话指令进入受限执行状态，在此状态下模型只输出意图描述而不执行写文件、运行命令等副作用操作。这与"人在回路"（Human-in-the-Loop）的工程理念一致——对于自动化程度越高的工具，在不可逆操作前插入人工确认节点越重要。多文件重构的风险不仅在于单个文件改错，更在于跨文件的依赖关系被悄悄破坏，而计划阶段的提纲往往能提前暴露 AI 对模块边界的误解。

@ 符号：精准手术刀

在大型代码库里，与其寄望 Gemini 自己找到正确的文件，不如用 @ 符号直接钉住真正相关的内容。

The at symbol is your precision scalpel.

作者把它称作“精准手术刀”。更小的上下文带来两个实际收益：响应更快，以及更少的幻觉——AI 不会再对那些本就无关的文件胡乱推测。这是在大项目中控制输出质量的关键技巧。

小结与下一步

当 GEMINI.md 和记忆机制就位后，Gemini CLI 对你项目的了解程度已经接近你本人。三层上下文负责静态知识，/memory 负责增量积累，计划模式和 @ 符号则在交互中保证精准与可控。

据该 YouTube 系列第三部分的介绍，下一部分将深入 MCP 服务器——让模型能够实际调用数据库、API、文件系统等实时工具，把 Gemini CLI 从“懂你的助手”升级为“能动手的执行者”。

MCP（Model Context Protocol）是 Anthropic 于 2024 年提出并开源的一套标准协议，目标是让 AI 模型以统一方式连接外部数据源和工具。其核心思想是把"读取文件""查询数据库""调用 API"等操作抽象成标准化的工具调用接口，模型无需知道底层实现细节，只需按协议格式发出请求并接收结构化返回。目前 Google、OpenAI 等主要厂商均已跟进支持 MCP，使其逐渐成为 AI 工具集成的事实标准。对于 Gemini CLI 而言，接入 MCP 服务器意味着模型可以在对话中实时查询你的数据库、读取最新日志或触发 CI/CD 流程，而不再局限于静态的上下文文本。