- Gemini CLI ist ein Open-Source-KI-Assistent von Google, mit dem sich Gemini-Modelle direkt im Terminal nutzen lassen; als interaktives Kommandozeilen-Tool führt er per natürlicher Sprache Code-Erstellung, Debugging und Automatisierungsaufgaben aus
- Rund 30 Profi-Tipps behandeln fortgeschrittene Funktionen wie dauerhaftes Kontextmanagement mit
GEMINI.md, benutzerdefinierte Befehle, MCP-Server-Erweiterungen, Speicherfunktionen und Checkpoint-Wiederherstellung
- Mit Funktionen zur Optimierung des Entwickler-Workflows wie Datei- und Bildreferenzen (
@), YOLO-Modus (automatische Freigabe), Headless-Ausführung, Arbeiten mit mehreren Verzeichnissen und IDE-Integration (VS Code)
- Enthält aktuelle Funktionen mit Fokus auf Automatisierung, Observability und Erweiterbarkeit wie GitHub Action, Erweiterungen (Extensions), Telemetrie und Token-Caching
- Gemini CLI entwickelt sich über einen einfachen KI-Chat hinaus zu einer agentischen Entwicklungsplattform, die die gesamte Entwicklungsumgebung integriert steuert
Überblick über Gemini CLI
- Gemini CLI ist eine KI-basierte Kommandozeilenoberfläche, mit der sich Googles Gemini-Modelle direkt im Terminal nutzen lassen
- Basiert auf Node.js/TypeScript und läuft auf allen wichtigen Betriebssystemen
- Gibt man Befehle in natürlicher Sprache ein, führt das Tool mehrstufige Aufgaben wie Codegenerierung, Debugging oder Systemkonfiguration aus
- Die Installation ist mit
npm install -g @google/gemini-cli oder npx @google/gemini-cli möglich
- Bei der Authentifizierung werden Google-Konto-Login (kostenlos) oder API-Key (kostenpflichtig/Enterprise) unterstützt
- Mit einem kostenlosen Konto sind etwa 60 Anfragen pro Minute und 1.000 pro Tag möglich
- Bei Nutzung eines API-Keys gelten verbesserter Datenschutz und Richtlinien zur Log-Aufbewahrung
- Der Start erfolgt standardmäßig mit dem Befehl
gemini; unterstützt werden /-Befehle (Sitzungssteuerung) und !-Befehle (Shell-Ausführung)
- Beim Ändern des Systems ist standardmäßig ein Sicherheitsmodus aktiv, der eine Benutzerbestätigung (Y/n) anfordert
Tipp 1 — Dauerhaftes Kontextmanagement mit GEMINI.md
- Projektspezifische Anweisungen oder Hintergrundinformationen lassen sich in der Datei
GEMINI.md speichern, sodass die KI immer mit demselben Kontext antwortet
- Zum Beispiel: Coding-Style, Architektur, Funktionsregeln
- Globale (
~/.gemini/GEMINI.md) und projektspezifische .gemini/GEMINI.md werden hierarchisch zusammengeführt
- Mit
/memory show lässt sich der aktuell geladene Kontext prüfen, mit /memory refresh aktualisieren
- Mit dem Befehl
/init kann eine Standardvorlage erzeugt werden; @include unterstützt das Einbinden mehrerer Dateien
Tipp 2 — Benutzerdefinierte Slash-Befehle erstellen
- Custom Commands zur Automatisierung wiederkehrender Aufgaben werden als TOML-Dateien definiert
- Beispiel:
/test:gen → Erzeugt Jest-Tests auf Basis von Anforderungen
- Sie können global (
~/.gemini/commands/) oder projektspezifisch (.gemini/commands/) registriert werden
- Die Befehle arbeiten auf Basis von Prompt-Templates und lassen sich teamübergreifend teilen
- Nützlich zur Standardisierung von Workflows, etwa für einheitliches Formatting oder Rollenzuweisungen (z. B.
/review:security)
Tipp 3 — Gemini mit MCP-Servern erweitern
- Über Model Context Protocol (MCP)-Server ist eine Anbindung an externe Systeme möglich
- Zum Beispiel: Figma, Google Docs, Clipboard, interne DBs
- Server werden mit dem Befehl
gemini mcp add registriert; die Konfiguration wird in settings.json gespeichert
- Mit
/mcp lässt sich die Liste registrierter Server und Tools anzeigen
- Dank OAuth 2.0 sind sichere API-Verbindungen möglich
Tipp 4 — Speicher hinzufügen und abrufen
- Mit
/memory add "<text>" werden wichtige Informationen im Langzeitspeicher abgelegt
- Zum Beispiel: „Der RabbitMQ-Port ist 5673“
- Mit
/memory show sieht man den gesamten Speicher, mit /memory refresh wird er aktualisiert
- Praktisch zum Speichern von Entscheidungsprotokollen oder persönlichen Einstellungen wie Tonfall oder Name
Tipp 5 — Checkpoints und Wiederherstellung mit /restore
- Vor Dateiveränderungen werden automatisch Snapshots erstellt; mit
/restore kann zum vorherigen Zustand zurückgekehrt werden
- Aktivierung per Option
--checkpointing oder in der Konfigurationsdatei
- Mit
/restore list lässt sich die Checkpoint-Liste prüfen, mit /restore <id> wiederherstellen
- In Kombination mit Git dient dies als Sicherheitsnetz für KI-Arbeit
Tipp 6 — Google Docs und Sheets lesen
- Ist ein Workspace-MCP-Server konfiguriert, können Google-Docs-/Sheets-Links direkt gelesen und zusammengefasst werden
- Erfordert OAuth-Authentifizierung; Zugriff über Befehle wie
/read_google_doc
- Dokumente, Sheets und Drive-Dateien lassen sich per Link referenzieren, um Kontext ohne Kopieren einzuspeisen
Tipp 7 — Dateien und Bilder mit der @-Syntax referenzieren
- Mit
@Dateipfad lassen sich Code, Dokumente oder Bilder direkt an den Prompt anhängen
- Beispiel:
Explain this code: @./src/main.js
- Regeln aus
.gitignore und .geminiignore werden automatisch berücksichtigt
- Unterstützt Bilderkennung (inkl. OCR) und den Vergleich mehrerer Dateien
Tipp 8 — Werkzeuge spontan erzeugen
- Falls nötig, kann Gemini temporäre Skripte oder MCP-Server selbst erzeugen
- Zum Beispiel: JSON-Parser, Log-Analysator
- Der erzeugte Code kann als Diff geprüft und anschließend freigegeben werden
- Nützliche Skripte lassen sich später in Custom Commands überführen
Tipp 9 — Systemprobleme lösen und Konfigurationen anpassen
- Auch außerhalb von Projekten einsetzbar und damit hilfreich als Assistent für die Verwaltung der Entwicklungsumgebung
- Zum Beispiel:
.bashrc ändern, Fehlerlogs analysieren, Docker-Installation automatisieren
- Vor der Befehlsausführung wird immer um Bestätigung gebeten, was sichere Systemanpassungen unterstützt
Tipp 10 — YOLO-Modus (automatische Freigabe)
- Mit
--yolo oder Ctrl+Y werden alle Tool-Ausführungen automatisch freigegeben
- Nützlich, um wiederkehrende Aufgaben zu beschleunigen, aber mit Risiken verbunden
- Es kann auch eine Whitelist für automatisch freigegebene Einzelbefehle konfiguriert werden
Tipp 11 — Headless- und Skriptmodus
- Mit
gemini -p "prompt" ist eine nicht interaktive Ausführung möglich
- Mit
GEMINI_SYSTEM_MD lässt sich der System-Prompt ersetzen
- Unterstützt JSON-Ausgabe (
--format=json) und Datei für Sitzungszusammenfassungen (--session-summary)
- Geeignet für die Integration in CI/CD und Automatisierungsskripte
Tipp 12 — Chat-Sitzungen speichern und fortsetzen
- Mit
/chat save <name> wird eine Sitzung gespeichert, mit /chat resume <name> wiederhergestellt
- Mit
/chat list lässt sich die Liste anzeigen, mit /chat share kann geteilt werden
- Hilfreich bei langem Debugging oder paralleler Arbeit an mehreren Projekten
Tipp 13 — Workspace mit mehreren Verzeichnissen
- Mit
--include-directories oder per Konfigurationsdatei lassen sich mehrere Ordner zu einem Arbeitsbereich zusammenfassen
- Mit
/directory show sieht man die aktuell eingebundenen Ordner
- Unterstützt Polyrepo-Umgebungen, etwa für gleichzeitige Änderungen an Frontend und Backend
Tipp 14 — KI-gestützte Dateiorganisation
- Dateien in einem Verzeichnis lassen sich nach Typ klassifizieren und verschieben
- Beispiel: Bilder → Images, PDF → Documents
- Auch automatisches Umbenennen auf Basis von Bildinhalten ist möglich
- Vor der Ausführung wird zur sicheren Prüfung eine Vorschau der Befehle empfohlen
Tipp 15 — Kontext erhalten durch Komprimieren von Gesprächen
- Mit dem Befehl
/compress werden lange Unterhaltungen zusammengefasst, um Kontextfenster freizuhalten
- So bleiben nur die Kerninformationen erhalten und die Sitzung kann fortgesetzt werden
- Ein Schwellenwert für automatische Komprimierung kann konfiguriert werden
Tipp 16 — Shell-Befehle mit ! ausführen
- Mit
!command lassen sich Terminal-Befehle direkt ausführen
- Gibt man nur
! ein, wechselt man in den Shell-Modus; mit erneutem ! beendet man ihn wieder
- KI-Dialog und Systembefehle werden so in einer Oberfläche zusammengeführt
Tipp 17 — Alle CLI-Tools als Gemini-Tools verwenden
- Alle Befehle im
$PATH können von der KI aufgerufen werden
- Zum Beispiel:
convert, docker, ffmpeg, git
- Je nach Umgebung sind PATH-Beschränkungen oder eine Whitelist empfehlenswert
Tipp 18 — Multimodale Eingaben nutzen
- Bilder, PDFs und Audiodateien können per
@ angehängt und analysiert werden
- Zum Beispiel: UI-Screenshots beschreiben, Fehlerbilder analysieren, OCR ausführen
- Unterstützt Codegenerierung und Datenextraktion auf Basis visueller Materialien
Tipp 19 — $PATH und Tool-Zugriff steuern
- Ausführung mit eingeschränktem PATH zur Verbesserung von Stabilität und Sicherheit
- Über
excludeTools in settings.json lassen sich riskante Befehle blockieren
- Mit der Option
--sandbox wird die Ausführung in einer isolierten Docker-Umgebung unterstützt
Tipp 20 — Token-Caching und Nutzungsverfolgung
- Bei API-Key- oder Vertex-Authentifizierung sorgt Token-Wiederverwendung für geringere Kosten
- Mit
/stats lassen sich Cache-Trefferrate und Token-Nutzung prüfen
- Mit
--session-summary kann pro Sitzung ein JSON-Report gespeichert werden
Tipp 21 — Mit /copy in die Zwischenablage kopieren
- Die letzte Ausgabe (z. B. Code) lässt sich sofort in die Zwischenablage kopieren
- Unterstützt macOS (
pbcopy), Windows (clip) und Linux (xclip)
Tipp 22 — Tastenkürzel Ctrl+C steuern
- Einmal drücken unterbricht die Aufgabe, zweimal drücken beendet die CLI
- Im Shell-Modus kann man mit
Ctrl+C oder Esc wieder herausgehen
Tipp 23 — Benutzereinstellungen mit settings.json
- Detaillierte Konfiguration von Theme, Sandbox, automatischer Freigabe, Vim-Modus und mehr
- Der Befehl
/settings unterstützt interaktive Bearbeitung
- Globale (
~/.gemini/) und projektspezifische Einstellungen werden zusammengeführt
Tipp 24 — VS-Code-Integration
- Mit der VS-Code-Erweiterung (Companion Extension) werden Dateien, Cursor und Auswahlbereiche automatisch erkannt
- Bei Vorschlägen für Codeänderungen wird automatisch der VS-Code-Diff-Viewer angezeigt
- Verwaltung über
/ide install, /ide enable, /ide status
Tipp 25 — GitHub-Action-Automatisierung
- Mit der Gemini CLI GitHub Action lassen sich Issue-Klassifizierung und PR-Reviews automatisieren
- Über eine
@gemini-cli-Erwähnung können Aufgaben wie das Generieren von Testcode angefordert werden
- Mit
/setup-github werden Workflow-Dateien automatisch erzeugt
Tipp 26 — Telemetrie (Observability)
- Auf Basis von OpenTelemetry werden Sitzungsmetriken, Logs und Traces erfasst
- Aktivierung über die Einstellung
"telemetry.enabled": true oder das Flag --telemetry
- Versand an verschiedene Backends wie lokale Dateien, GCP oder Prometheus möglich
Tipp 27 — Roadmap beobachten
- In der öffentlichen Gemini CLI Roadmap auf GitHub lassen sich kommende Funktionen verfolgen
- Zum Beispiel: Background Agents, Modellerweiterungen, UI-Verbesserungen
- Auch Community-Feedback und Funktionsvorschläge sind möglich
Tipp 28 — Erweiterungen (Extensions)
- Mit
gemini extensions install <URL> lassen sich externe Dienste integrieren
- Zum Beispiel: Cloud Run, BigQuery, Figma, Stripe
- Erweiterungen sind modular aufgebaut und fügen MCP-Tools, Befehle und Kontext hinzu
- Mit
/extensions lässt sich die Liste aktiver Erweiterungen anzeigen
Zusatzfunktion — Corgi Mode 🐕
- Mit dem Befehl
/corgi wird eine Corgi-Animation im Terminal abgespielt
- Ein einfaches Easter Egg, das während der CLI-Nutzung für eine kurze Pause sorgt
Fazit
- Gemini CLI ist eine KI-basierte Entwicklungsoberfläche, die von der Code-Erstellung über Systemverwaltung bis zu Automatisierung und Zusammenarbeit reicht
- Mit
GEMINI.md, MCP, Erweiterungen und IDE-Integration bietet sie dauerhaften Kontext und erweiterbare Tooling-Fähigkeiten
- Durch das Open-Source-Ökosystem und schnelle Updates entwickelt sie sich zu einer zentralen KI-Plattform für Entwickler-Workflows
1 Kommentare
Hacker-News-Kommentare
Ich mache solche Setups überhaupt nicht
Der Grund ist, dass sie sehr schnell veralten und zu 80 % nicht richtig funktionieren.
Ich finde, es lohnt sich nicht, extra einen MCP-Server zu bauen, wenn nicht einmal sicher ist, ob das LLM ihn zuverlässig aufruft.
Meine Regel ist simpel — ich schreibe meine Dokumentation (Templates, Checklisten usw.) selbst und gebe der AI eine Chance, es einmal zu versuchen.
Wenn es nicht auf Anhieb klappt, überarbeite ich die Dokumentation oder mache es einfach selbst.
Letztlich hängt ihre Nützlichkeit von den Trainingsdaten und der Weiterentwicklung der Modelle ab, und ich denke, man sollte sie wie Constraint Programming ohne formale Grammatik behandeln.
Wenn man die Subjektivität natürlicher Sprache berücksichtigt, ist eine schnelle Iteration durch wiederholtes Verfeinern der Constraint-Sätze wohl am besten.
Ich habe zum Beispiel Gemini viermal iterieren lassen und so ein vollständig automatisch funktionierendes bash-Skript erhalten.
Zum verwandten Konzept siehe Constraint programming.
Ich kann ihnen Aufgaben auf Junior-Entwickler-Niveau geben und in der Zeit etwas anderes machen.
Wenn es beim ersten Mal scheitert, verbessere ich die Dokumentation (.md-Dateien) und versuche es erneut.
MCP nutze ich wegen der Sicherheitsrisiken kaum, aber diese Iterationsschleife ist ziemlich effizient.
Umgekehrt ist „Wenn es nicht sofort klappt, mache ich es selbst“ so, als würde man einen Junior direkt feuern.
Wir haben diesen Punkt noch nicht erreicht, und die Fähigkeiten, die wir jetzt aufbauen, sind so, als würde man auf einem Hang bauen.
Da die aktuellen Methoden zur Prompt-Bewertung nicht vertrauenswürdig sind, baue ich selbst ein agentisches Setup, um das zu verbessern.
Gestern habe ich eine auf Dagger basierende Zeitreise-Funktion für Sessions hinzugefügt, und heute will ich Fork-, Klon- und Registry-Funktionen ergänzen.
Gemini CLI ist für komplexe Coding-Aufgaben noch schwach.
Das liegt an der einfachen ReAct-Schleife und den schwachen Tool-Calling-Fähigkeiten.
Trotzdem wird es als Open Source aktiv weiterentwickelt und hat daher großes Potenzial.
Dank des 1M-Context-Window (bald 2M) und des großzügigen kostenlosen Kontingents finde ich, man sollte es „hemmungslos nutzen (ABUSE IT)“.
Ich verwende es als TUI/CLI-Orchestrierungstool, und auch zur Bewertung von Code, den andere Tools erzeugt haben, war es ziemlich nützlich.
Zuletzt habe ich Homebrew mit MCP verbunden und es an einen lokalen LLM-basierten Knowledge Manager (Nowledge Mem) angebunden.
Interessanterweise habe ich auch Fälle gesehen, in denen Gemini CLI als SubAgent genutzt wurde, um eine Verschmutzung des Hauptkontexts zu vermeiden.
Zugehöriger Tweet
Selbst wenn man sagt: „Ändere den Code nicht, mach nur Vorschläge“, editiert es sofort Dateien.
Pro 3 ist klug, aber beim Befolgen von Anweisungen immer noch instabil.
Ich habe es über Antigravity versucht, aber wegen des begrenzten Kontingents waren komplexe Tests schwierig.
Für einen ausführlicheren Eindruck siehe diesen Beitrag.
Addy Osmani ist ein irischer Softwareingenieur, der bei Google an Chrome und Gemini arbeitet, und ein Veteran mit 25 Jahren Erfahrung.
Er begeistert sich für Web-Performance und AI-gestützte Entwicklungstools und hat mehrere Bücher geschrieben, darunter Learning JavaScript Design Patterns.
Link zum Wettbewerb
Ich hoffe, dass sich LLM-agnostische Coding-Agenten als Standard etablieren.
Statt dass wie bei Codex oder Gemini CLI jeder das Rad neu erfindet, wäre es gut, wenn man LLM-Anbieter wie Plugins austauschen könnte.
Im Moment ist Claude Code zwar am besten, aber es sieht nicht so aus, als würde Anthropic in diese Richtung gehen.
Wahrscheinlich muss man also auf die nächste Generation von Open-Source-Coding-Agenten warten.
Diese CLIs sind allerdings eher eine Oberfläche für Abo-Modelle als echte Werkzeuge.
Die neuesten Modelle verbrauchen so viele Tokens, dass ein Monatsabo realistischer ist als API-Abrechnung.
Ich habe es in den letzten Tagen benutzt und war ziemlich zufrieden.
GitHub-Link
Es gibt auch verschiedene Alternativen wie Crush, Aider, Amp Code, Emacs+gptel und Editor Code Assistant.
Da aber die Ko-Evolution (Co-Design) von LLMs und Coding-Agenten wichtig ist, ist eine vollständige Trennung noch unrealistisch.
Ironischerweise hat es inzwischen ein eigenes LLM eingeführt.
Einführung in Cursor Composer
Ich benutze Gemini CLI jetzt seit einigen Monaten.
Ich habe auf der Arbeit ein kostenloses Abo und nutze es deshalb weiter.
Angeblich erkennt es GEMINI.md-Dateien, in der Praxis ignoriert es sie aber oft.
Trotzdem waren Tipps wie Tip 12 und Tip 16 nützlich.
Das Problem mit Halluzinationen bei AI besteht weiter, aber es war das erste Mal, dass AI sich für mich wirklich „spaßig“ angefühlt hat.
Besonders als ich es einen K8s-PoC-Cluster autonom debuggen ließ, war es wirklich erstaunlich, wie es Logs holte und Fehler fand.
Wenn es sich manchmal zu dumm anstellt, tippe ich
/quitund mache weiter selbst, aber ich benutze es immer noch gern.Ich habe gerade selbst einen RKE2-Cluster gebaut und würde das unbedingt ausprobieren wollen.
Ich mag AI sehr.
Wie das Internet oder das iPhone fühlt es sich für mich wie ein unverzichtbares Werkzeug an, das mich zu einem effizienteren Menschen macht.
Allerdings bin ich stark ermüdet von all den Tutorials darüber, wie man AI benutzt.
Die meisten sind qualitativ schwach, auch wenn dieser Artikel noch zu den besseren gehört.
Es fühlt sich an, als würden JS-Entwickler jede Woche ein neues Framework vorstellen.
Egal wer sie schreibt, ob ehrlich gemeint oder nur zur Engagement-Steigerung — sie interessieren mich nicht mehr.
Ehrlich gesagt sind solche komplexen Setups übertrieben.
Bei mir funktioniert es schon gut genug mit Prompts auf dem Niveau von Anschreien der AI.
Mit LazyVim und ein paar Tools (git, ask, ripgrep) bin ich bereits produktiv genug.
Besonders Gemini 3 ist wegen seiner hohen Token-Dichte und des großen Kontexts sehr nützlich.
Wenn der Kontext zu groß wird, lasse ich eine Zusammenfassung in README.MD schreiben und starte einen neuen Agenten.
Link zum Tool ask
Mit anderen Modellen kam ich nicht auf produktive Ergebnisse, aber jetzt gelingen selbst komplexe Aufgaben zu 80 % beim ersten Versuch.
Der Kontrast zwischen manuellem Scripting und LLM-gestützten Workflows ist interessant.
Wenn die Constraints nicht klar sind, scheitern beide, aber wenn sie klar sind, arbeiten LLMs erstaunlich zuverlässig.
Das Problem bei aktuellem AI-/Agentic-/Vibe-Coding ist die zu schnelle Evolutionsgeschwindigkeit.
Best Practices sind schon veraltet, bevor sie sich überhaupt etablieren können.
Sprachen und Frameworks änderten sich zwar, aber die Art, Probleme zu zerlegen und eine Codebasis zu verstehen, war vergleichsweise stabil —
jetzt weiß ich nicht mehr, wo dieses Gleichgewicht liegen wird.
Ich finde Gemini CLI nicht besonders gut.
Wenn man etwas nutzen muss, würde ich Opencode empfehlen.
Google sollte die CLI wie Codex von Grund auf neu bauen.
Zur Info: Gemini 3 läuft derzeit nicht in Opencode über Copilot.
Link zum Issue
Ich habe mich gefragt, warum ein simples TUI überhaupt solche Anforderungen hat.
In der offiziellen Dokumentation wird Gemini nicht direkt erwähnt,
sondern scheint über Google Vertex AI angeboten zu werden.
Vielleicht kann man Gemini auch über ein Google-Workspace-Abo anbinden.