gemini-image-gen

name	gemini-image-gen
description	使用 Google Gemini 生成图片。触发条件：用户提到"用 Gemini 生图"、"Gemini 生成图片"、 "AI 配图"、"生成封面"、"生成插图"，或需要为文章/公众号/小红书生成配图时自动触发。 前提：browser-harness 已连接 Chrome，且 Chrome 中已登录 Gemini (gemini.google.com)。

Gemini 图片生成

通过 browser-harness 控制已登录的 Chrome 浏览器，在 Gemini Images 页面生成图片并下载。

前提

1. browser-harness 已安装（uv tool install -e ~/browser-harness）
2. Chrome 已连接（chrome://inspect 勾选远程调试）
3. 已登录 Google 账号，且能访问 gemini.google.com/images
4. Gemini 页面已打开（如果没有，用 new_tab("https://gemini.google.com/images") 打开）

浏览器说明

• 使用 browser-harness 连接的 Chrome 实例（通过 CDP 协议）
• 如果用户有多个 Chrome 实例，确保 Gemini 所在的那个已连接到 daemon
• Gemini 需要 Google 账号登录，未登录会跳转到登录页（遇到登录页时停止并告知用户）

单张图片生成流程

Step 1: 打开 Gemini Images 页面

browser-harness <<'PY'
new_tab("https://gemini.google.com/images")
wait_for_load()
print(page_info())
PY

Step 2: 输入提示词并发送

browser-harness <<'PY'
import time

# 聚焦输入框
js('''
var el = document.querySelector("div[contenteditable='true']");
if (el) el.focus();
return !!el;
''')
time.sleep(0.5)

# 输入提示词（用 CDP insertText，避免中文输入法问题）
cdp("Input.insertText", text="YOUR_PROMPT_HERE")
time.sleep(0.5)

# 按 Enter 发送（不要用鼠标点击发送按钮——点击不可靠）
cdp("Input.dispatchKeyEvent", type="rawKeyDown", key="Enter", code="Enter", windowsVirtualKeyCode=13, nativeVirtualKeyCode=13)
time.sleep(0.1)
cdp("Input.dispatchKeyEvent", type="keyUp", key="Enter", code="Enter", windowsVirtualKeyCode=13, nativeVirtualKeyCode=13)
PY

Step 3: 等待图片生成

browser-harness <<'PY'
import time

for i in range(30):
    time.sleep(2)
    creating = js('return document.body.innerText.includes("Creating your image");')
    imgs = js('var c=0; document.querySelectorAll("img").forEach(function(i){if(i.naturalWidth>200)c++}); return c;')
    print(f"  Check {i+1}: {imgs} images, creating={creating}")
    if not creating and imgs and imgs > 0:
        print("Image generated!")
        break
PY

Step 4: 下载图片（blob URL → 本地文件）

Gemini 生成的图片是 blob: URL，无法直接下载。需要用 Canvas 转为 base64 再保存：

browser-harness <<'PY'
import base64

result = js('''
var imgs = document.querySelectorAll("img[src^='blob:']");
var best = null;
for (var i = 0; i < imgs.length; i++) {
    if (imgs[i].naturalWidth > 200) best = imgs[i];
}
if (!best) return null;
var canvas = document.createElement('canvas');
canvas.width = best.naturalWidth;
canvas.height = best.naturalHeight;
canvas.getContext('2d').drawImage(best, 0, 0);
return canvas.toDataURL('image/png');
''')

if result and result.startswith('data:image'):
    b64 = result.split(',', 1)[1]
    img_bytes = base64.b64decode(b64)
    out = "/path/to/output.png"
    with open(out, 'wb') as f:
        f.write(img_bytes)
    print(f"Saved: {out} ({len(img_bytes)} bytes)")
PY

多张图片生成

在同一会话中可连续生成多张图片。每张图片生成后：

1. 下载当前图片
2. 滚动到页面底部找到输入框
3. 输入下一条提示词
4. 按 Enter 发送
5. 重复等待-下载流程

注意：Gemini 会话有上下文，新提示词可能参考之前的图片风格。如果需要完全独立的风格，建议新开会话。

提示词技巧

技巧	说明
用英文	英文提示词生成质量通常更高
指定比例	"Aspect ratio 16:9" / "Square format" / "3:4"
描述风格	"minimalist flat design" / "watercolor" / "3D render"
避免文字	"No text overlay" / "no words" — 防止生成乱码文字
描述情绪	"warm and encouraging" / "clean and professional"
指定场景	具体描述场景元素，比抽象描述效果更好

反爬 / 注意事项

规则	说明
发送用 Enter	鼠标点击发送按钮不可靠，始终用 Enter 键
等待创建完成	检查 "Creating your image" 文字消失 + 图片 naturalWidth > 200
blob URL 转换	必须用 Canvas → toDataURL → base64 解码保存
不要频繁请求	每张图片间隔 3-5 秒，避免触发限流
登录状态	未登录会跳转登录页，此时停止并告知用户

已知限制

• 图片质量：取决于 Gemini 模型版本（当前 Nano Banana 2）
• 文字生成：AI 生成的图片中文字通常乱码，需要后期处理
• 下载格式：Canvas 转换后固定为 PNG 格式
• 并发：同一会话一次只能生成一张图片

参考

• 提示词技巧详见 references/prompt-tips.md
• 已知坑点详见 references/gotchas.md