gemini-web-automation-skill

让你的 AI Agent 拥有 Gemini Pro 深度思考能力。默认模型干杂活，硬骨头交给 Gemini。浏览器自动化，零 API 费。

这是一个 Skill，不是一个 Python 工具

Skill 是 AI 编码 Agent（Claude Code、Codex、OpenCode 等）的指令包。它教会你的 Agent 一项它原本没有的能力。

gemini-web-automation-skill 教会你的 Agent：默认模型搞不定的事，交给 Gemini 3.1 Pro with extended thinking。 背后的 Python 运行时只是实现细节，Agent 会自动调度它。

为什么需要这个 Skill

你日常用的模型（DeepSeek、豆包、GLM、Qwen）快、便宜，日常够用。

但遇到写技术方案、头脑风暴、设计架构、制定 Plan 这种需要深度的任务时——Gemini 3.1 Pro with extended thinking 依然是目前最强之一。

这个 Skill 让你的 Agent 在继续用默认模型做日常活的同时，遇到硬骨头时自动调 Gemini。

安装

# 把 Skill 放到你的 Agent 技能目录（以 Claude Code 为例）
cp -r gemini-web-automation-skill ~/.claude/skills/gemini-skill

cd ~/.claude/skills/gemini-skill
cp .env.example .env
# 国内用户务必配置 PROXY_SERVER

# 首次：登录 Gemini
python scripts/bootstrap.py

首次登录一次，之后会话持久化，Agent 调用时无需人工干预。

它不是一个…

什么时候触发

Agent 遇到以下场景时，会自动调用这个 Skill：

Agent 怎么用这个 Skill

Agent 调用脚本，拿到结构化 JSON 回复：

{
  "ok": true,
  "reply": "深度分析结果...",
  "contract": {
    "expected": {"model": "Pro", "thinking": "extended"},
    "actual": {"model": "Pro", "thinking": "extended"}
  }
}

出错时自动处理：

工作原理

Agent (Claude Code / Codex ...)
  └─ 遇到复杂任务 → 加载 SKILL.md 指令
       └─ chat.py
            ├─ 环境检查（.env、网络、代理）
            ├─ CDP 连接 Chrome（温启动 / 冷启动）
            ├─ 定位 Gemini 页面，切换模型
            ├─ 发送 Prompt（可选带图）
            └─ 流式回复 → 结构化 JSON
                 └─ Agent 拿到结果继续工作

另见

GPT Web Chat Skill — 同样的浏览器自动化架构，目标 chatgpt.com。

配置

项目结构

├── scripts/
│   ├── chat.py          # 主运行时 — Agent 日常只调这个
│   └── bootstrap.py     # 首次登录向导
├── references/
│   ├── architecture.md  # 设计决策
│   ├── gemini.md        # 页面交互选择器
│   └── maintenance.md   # 故障排查
├── SKILL.md             # 告诉 Agent 怎么用（核心）
├── .env.example
└── README.md

许可

MIT