神器推荐：Gemini Web Automation —— 让任何 AI Agent 随时调用 Gemini 3.1 Pro 的深度思考能力

如果你在用 Claude Code 这类 AI Agent，大概率会遇到这个问题：你的 Agent 背后是 DeepSeek V4 Flash / 豆包 / GLM / Qwen / Kimi，速度快成本低，日常编码辅助够用。但一旦让它"写一个完整的技术方案"、"做架构设计"、"深度头脑风暴"，输出明显不够深。

不是这些模型不好，是它们的天花板就在那。今天介绍的 **Gemini Web Automation** 就是来弥补这个差距的。

它能解决什么痛点

• **日常模型深度不够** — 遇到复杂任务（方案设计、技术选型、架构规划），低成本模型给不了那种真正的 deep thinking
• **Agent 缺少"外挂"能力** — 你的 Agent 遇到硬骨头，除了硬撑没有更好的选择
• **多模态缺失** — 很多模型没有视觉能力，看图、分析截图需要另外找工具

• 核心特性

• **本质上是个 Python 运行时** — 通过浏览器自动化 Gemini，发送 Prompt、上传图片、切换模型、获取回复，全部结构化 JSON 返回，专为 AI Agent 集成设计
• **Gemini 3.1 Pro Extended Thinking** — 遇到复杂任务时自动调用 Gemini 的最强模式，深度推理、多步规划、高质量输出
• **多模态辅助** — 默认用 Gemini 3.5 Flash 为没有视觉能力的模型提供看图能力
• **会话持久化** — 登录一次，后续重复使用浏览器 Profile，不用反复认证

• 快速上手

  安装与初始化非常简单：

  git clone https://github.com/lainXXX/gemini-web-automation-skill.git
  cd gemini-web-automation-skill
  cp .env.example .env
  python scripts/bootstrap.py

  bootstrap.py 会启动 Chrome 并打开 Gemini 登录页，手动登录后就可以开始使用了。基础使用示例：

  # 发送消息
  python scripts/chat.py "帮我写一个微服务架构方案"
  
  # 附带图片让 Gemini 分析
  python scripts/chat.py "这张架构图有什么问题？" -a diagram.png

  优缺点客观分析

  **优点：**

• 工作流清晰：日常用便宜模型，硬骨头交给 Gemini，互补不冲突
• 无 API 费用：通过浏览器网页版使用，不需要 Gemini API Key，有 Google 账号即可
• 集成简单：结构化 JSON 返回，任何一个 Agent 都能对接
• 零配置运维：Chrome 自动管理，登录会话持久化

• **局限性：**

• 依赖浏览器：需要 Chrome/Chromium 环境，纯 API 调用比浏览器自动化更轻量
• 响应速度受限于网页版：extended thinking 模式下首响应可能需要 15-60 秒
• 需要 Google 账号和网络环境：国内用户需要配置代理

• 拓展阅读

  GitHub 地址：[https://github.com/lainXXX/gemini-web-automation-skill](https://github.com/lainXXX/gemini-web-automation-skill)