| name | browser-gen |
| description | Generate images and videos for free by driving the user's already-logged-in Gemini (gemini.google.com) Pro account through the Chrome MCP browser tools (claude-in-chrome). Use when the user wants browser-gen, 用 Gemini 生图/生视频, 浏览器生成图片/视频, free image/video generation via Gemini web, Veo video, Nano Banana image — a third media-generation route alongside local ComfyUI and 即梦/Dreamina. Especially useful for VIDEO (Gemini Veo「制作视频」) since local Mac video is too slow and the 即梦 CLI is gated behind maestro vip. For generic backend-agnostic image gen with no named backend, `media-gen` routes the choice; call browser-gen directly when the user names browser-gen or wants free Gemini-web video (Veo) via the logged-in browser. |
browser-gen —— 用浏览器驱动 Gemini 免费生图/生视频
通过 Chrome MCP（claude-in-chrome）操作用户已登录的 Gemini Pro 账号（gemini.google.com）来生成图片和视频。会员额度内免费，是继本地 ComfyUI、即梦 CLI 之后的第三条媒体生成途径。
在三条途径里的定位
| 途径 | 成本 | 图 | 视频 | 何时用 |
|---|
| 本地 ComfyUI | 免费 | ✅ 快 | ❌ Mac 太慢 | 离线、可控、批量图 |
| 即梦/Dreamina CLI | 付费额度 | ✅ | ✅ | 当前账号无 maestro vip，暂不可用 |
| 本 skill（Gemini web） | 会员额度内免费 | ✅ Nano Banana 2 | ✅ Veo「制作视频」 | 视频首选；要免费/高质量图也行 |
图模型：Nano Banana 2。视频：Veo（菜单叫「制作视频」）。账号：用户 Chrome 已登录的 Gemini Pro（Jiawei Hu）。
前置条件
- Chrome MCP 工具可用（
mcp__claude-in-chrome__*，需先 ToolSearch 加载）。
- 用户的 Chrome 已登录 Gemini（会话复用，无需再登录）。
- 会话开始先调
tabs_context_mcp；按规范新建一个标签页给本任务，不要复用用户现有标签页。
⚠️ Token 纪律（第一原则）
全程不用 screenshot——它是唯一烧 image token 的操作（每张 ~1–1.5k token）。
- 检测 / 等待 / 抓图 / 下载 → 全走
javascript_tool（纯文本结果）。
- 定位元素 →
find（自然语言，文本结果）。
- 可信输入（打字 / 回车）→
computer 的 type / key / left_click——这些是廉价文本结果，不烧 token，只有 screenshot 烧。
- 最终图 → 直接
Read 磁盘上的 PNG（这一张是交付物，值）。
screenshot 仅在卡住排障时用一次，正常流程零截图。
成本对比：旧流程 ~10 次调用含 5–6 张轮询截图；新流程 ~4 次 MCP + 1 次 JS + 1 bash + 1 Read，零轮询截图，单图 token 砍 ~80%。
核心流程（图片 · 低 token，JS 驱动）
-
tabs_context_mcp → tabs_create_mcp 新标签页 → navigate 到 登录着的账号 https://gemini.google.com/u/N/app。
- ⚠️
/app(authuser-0)可能是登出态——主 Chrome 多号混登时 authuser-0 常没登录。先确认该 /u/N/ 登录了(右上不是「登录」按钮、有账号头像);可一发 JS 读 [...document.querySelectorAll('[aria-label]')].map(e=>e.getAttribute('aria-label')).filter(a=>a&&a.includes('@')) 确认是哪个号。
- 每次新会话用新 chat,保证页面唯一大图就是这次生成的。
-
find "message input composer 问问 Gemini" 拿 composer 的 ref → computer left_click ref → computer type 提示词。
- 直接整句提示词走 inline 出图（消费版 App 自己会出图），不用点「+」→「制作图片」菜单。
- 输入务必用
computer type（可信，Angular 能认）；别用 JS 设值（框架可能不认 → 发送空）。
-
computer key "Meta+Enter" 发送（或 find 发送键再 computer left_click）。
-
等出图，用「短轮询」——别用单发长 await 的 JS。
-
⚠️ 坑（实测）：后台标签页 setTimeout 被节流，单发 JS 里 await sleep 30s 会被拉长，撞 javascript_tool 的 CDP ~45s 超时而失败。所以轮询要拆成多发短 JS（每发秒回，不撞超时）。
-
computer wait 10（廉价）给首轮生成时间，再一发瞬时检查（秒回）：
(() => {
const i = [...document.querySelectorAll('img')]
.filter(x => x.naturalWidth > 200 && x.naturalHeight > 200).pop();
const t = document.body.innerText;
return i ? ( + i. + + i.)
: (.(t) ? : );
})()
提示词写法：Nano Banana / Veo 都吃自然语言整句，描述主体+风格+构图+光照即可；中文英文都行。
取产物到磁盘：原理与坑
下载已整合进核心流程 step 4 的那段 JS（canvas 自抓 + <a download>），这里只讲为什么这么做：
- 生成图是 gemini.google.com 同源
blob: <img>，已加载进 DOM。画到 canvas → toDataURL 拿 PNG → 自造 <a download> data-URL 触发下载，绕开 Gemini 自带「下载完整尺寸」按钮的手势门控（那个走 File System Access，automation 点 isTrusted=false 必失败；普通 <a download> data-URL 不受门控，程序化点击即落盘）。实测 2026-06 跑通 1024×572 原分辨率。
- ⚠️ 别点 Gemini 自带下载按钮；用 step 4 的 canvas 法。
- 多图：每张换
download 文件名分别抓；或每图开新 chat，避免 .pop() 抓到旧图。
- 兜底（canvas 被跨源污染，返回
TAINTED:）：computer zoom + save_to_disk（仅屏幕分辨率）。
- 视频：blob 视频没法 canvas 抓，仍需用户手点下载 / 截帧预览。
视频「制作视频」（流程类推，待逐项验证）
与图片同一套机制：+ → 「制作视频」 → 输入提示 → 发送 → 轮询（更久，1–3 分钟）→ 产物为视频。取视频同样让用户点下载拿原文件（视频无法用截图存整段）。首次实跑时注意核对：视频的发送/等待形态、是否有时长/比例选项、下载按钮文案，并据实更新本节与 reference/gemini-ui.md。
Chrome MCP 操作纪律（来自 MCP 规范）
- 先
tabs_context_mcp，每个新会话新建标签页，别复用用户标签页。
- 零截图（见顶部「Token 纪律」）：状态/等待/抓图走
javascript_tool，定位走 find，输入走 computer；screenshot 只在排障时用一次。
- 多步
computer 动作可用 browser_batch 一次发（点+输入+回车），更快更省往返；但别把 screenshot 塞进 batch 当常规步骤。
- 定位元素优先用
find（自然语言）拿 ref，比写死坐标稳。
- 绝不触发 JS alert/confirm/prompt 或原生对话框——会阻塞后续所有浏览器事件。下载若弹"保存到哪"原生框，automation 够不到，交给用户处理。
- 卡住/连续失败 2–3 次就停下问用户，别死循环。
详细 UI 地图（菜单项、按钮、坐标参考、各类坑）见 reference/gemini-ui.md。
