“

早高峰，地铁里。
你一手扶栏杆，一手敲手机，远程给同事发指令：”把昨晚的慢查询重跑，再把结果同步到 Figma，记得把新版 API 文档 push 到 Postman。”
如果是过去，你会收到一堆”怎么操作”的问号。
今天，同事只回了句：”搞定，Gemini CLI 全帮你跑完了。”
这就是 Extensions 的魔法——让大模型真正”动手”而不是”动嘴”。

”

一、从”聊天框”到”工具链”：为什么你需要 Extensions

三个月前，Google 把 Gemini 搬进终端，开源了 Gemini CLI。
它最大的卖点不是聊天，而是 MCP（Model Context Protocol）——一条让模型与外部世界”握手”的通用总线。
Extensions 则是把这次握手做成了”即插即用”的乐高积木：

  • 一条命令就能把数据库、设计、支付、运维等 20+ 官方/第三方服务 拉进终端；
  • 自带 playbook，模型 零样本 知道该调用谁、传什么参数；
  • 完全开源，任何人都能写一块自己的积木。

一句话：Extensions 让大模型从”顾问”升级为”外包团队”。

二、5 分钟上手：装一个扩展，跑一条命令

下面带你真机演示——给终端装上 Looker 扩展，并用自然语言让 AI 帮你生成数据看板。

1. 装好 CLI（Node≥20）

npm i -g @google/gemini-cli
gemini --version   # 验证 ≥ 0.4.x

2. 一键拉取官方扩展

gemini extensions install \
  https://github.com/gemini-cli-extensions/looker

“

扩展被克隆到 ~/.gemini/extensions/looker/，目录里自带 gemini-extension.json 与 GEMINI.md playbook。

”

3. 配置连接

把 Looker 实例的 API 凭证塞到环境变量：

export LOOKER_BASE_URL="https://yourcompany.looker.com"
export LOOKER_CLIENT_ID="xxxxxxxx"
export LOOKER_CLIENT_SECRET="xxxxxxxx"

“

不需要改任何 JSON，扩展启动时会自动读取。

”

4. 进入交互，直接开口要数据

gemini

> 给我过去 7 天按国家分的 GMV 趋势，用柱状图，再导出 PNG

你会看到终端里依次出现：

  1. MCP 调用 looker:run_query
  2. 查询返回 JSON → 自动生成 Vega-Lite 柱状图
  3. 调用 looker:export_png → 文件写入 ./gmv_by_country.png

全程 零手动 SQL，零截图操作。
如果你装了 Slack 扩展，还能追加一句：”把图发到 #daily-metrics 频道”。一句话工作流，就这么丝滑。

三、写自己的扩展：把公司老系统包成 MCP 积木

官方模板已帮你搭好骨架，只需三步：

文件 作用
gemini-extension.json 声明 MCP 服务器、上下文、排除工具
GEMINI.md 给模型的”使用说明书”，支持 Markdown & 变量占位
tool.js/py/go 任何语言，只要实现 MCP JSON-RPC 接口

示例：把内部”工单系统”包装成扩展

目录结构：

ticket-ext/
 ├─ gemini-extension.json
 ├─ GEMINI.md
 ├─ package.json
 └─ ticket-server.js   // 暴露 list_tickets / create_ticket

gemini-extension.json 只需 10 行：

{
  "name": "ticket-ext",
  "version": "1.0.0",
  "mcpServers": {
    "ticket": {
      "command": "node ticket-server.js"
    }
  },
  "contextFileName": "GEMINI.md"
}

安装：

gemini extensions install --path ./ticket-ext

马上就能在终端说：

> 列出我昨天提交的 P0 工单，把优先级降到 P1，再通知值班经理

模型会连续调用：

  1. list_tickets(assignee=me, created=-1d, priority=P0)
  2. update_ticket(priority=P1)
  3. send_slack(user=oncall-manager, msg=”…”)

你再也不用打开 Jira 网页点来点去。

四、深度原理解析：Extension 如何给模型”长记忆”和”手”

层级 作用 冲突策略
系统 prompt 全局人设、安全护栏 最底层
GEMINI.md（扩展级） 工具说明书、领域知识 同名指令覆盖系统
用户 prompt 即时意图 最优先

运行时的调用链：
用户输入 → Intent Router → Playbook 选择 → MCP Server → Tool → 结果回流模型 → 下一步决策
扩展可以：

  • 排除高危工具，例如 "excludeTools": ["run_shell_command(rm -rf)"]；
  • 给同一工具加”命令级白名单”，例如只允许 ls -l；
  • 通过上下文文件把 几万字业务规范 塞进记忆，避免每次 prompt 重复。

五、安全与治理：当 AI 真的能”删库”

Google 给出的默认护栏是 沙箱 + 白名单：

  • 敏感命令需用户显式确认；
  • 扩展禁用/启用实时生效，无需重启 CLI；
  • 企业可自建 registry，审计日志接入 Cloud Audit / Splunk。

建议落地三步走

  1. 先在 CI 里跑 gemini extensions update --all，锁定版本；
  2. 给不同团队分配 scope：--scope Workspace 避免全局污染；
  3. 把 excludeTools 写进公司 golden image，禁止任何扩展执行 * 级 shell。

六、常见问题解答（FAQ）

Q1： 扩展跟 MCP 服务器是什么关系？
A： 扩展 = MCP 服务器 + 上下文 + 自定义命令的”打包体”。它让模型”知道”何时以及如何调用服务器。

Q2： 安装后模型没调用工具？
A： 先 /mcp 看服务器是否 Ready；再检查 GEMINI.md 是否写明触发关键词；最后确认工具名没有出现在 excludeTools。

Q3： 能否一条命令同时装多个扩展？
A： 目前不支持批量，但你可以 cat extensions.txt | xargs -n1 gemini extensions install 循环安装。

Q4： 公司内网 GitLab 扩展怎么写？
A： 只要 GitLab 有 OpenAPI，就能用官方 openapi-mcp-server 自动生成 MCP 层，再包一层 GEMINI.md 即可。

七、收束与展望：终端的下一个十年

从 bash → zsh → fish，我们换过无数 shell，但本质仍是”人驱动命令”。
Extensions 把顺序颠倒了：让命令被人用自然语言驱动。
当扩展生态从 20 到 2000 再到 2 万，”终端”不再是黑框，而是 通用 AI 代理的驾驶舱。

“

还等什么？
打开你的终端，输入第一行 gemini extensions install ...
下一块乐高积木，或许就出自你手。

”

Happy hacking!

参考与延伸阅读

: Gemini CLI 扩展官方文档（中文版）
Gemini CLI v0.4.x 扩展管理升级详解
Google Cloud 官方教程：连接 Looker 与 Gemini CLI
Google Developers：智能体模式工具白名单配置