鹬蚌相争，渔翁得利。有时候还挺希望我们用户就是那个渔翁，模型厂商打得越厉害，我们就有机会越快用到更好的模型。

2022 年 12 月 22 号，在 ChatGPT 发布三周后，为了应对 OpenAI 的威胁，Google 成了第一个发布「红色警报」的科技巨头。

昨天，在 Gemini 3 发布两周后，因为 Gemini 3 模型出现了大幅增长，OpenAI 发布了首个「红色警报」。

看到消息的时候，我就觉得 OpenAI 是不是有点过度反应了，很快就看到了一些评论说「骄兵必败」、还有「胜败乃兵家常事」。但转念一想，所谓的「红色警报」也许就是给投资人看的，毕竟 OpenAI 如果真的做不到第一，那个 2030 才能盈利的时间，只会拉得更长。

根据最新透露的消息，OpenAI 在下周即将推出一款新的推理模型，内部评估表现要比 Gemini 3 更好。此外，他们还计划通过一个代号为「Garlic」的模型，来进行反击。

但更现实的情况，是 OpenAI 必然会发布比 Gemini 3 更好的模型，而 Google 也还有 Gemini 4、Gemini 5。

其实，回看过去这一年来硅谷的新闻，完全算得上是一出跌宕起伏的抓马大戏。年初被 DeepSeek R1 的横空出世而感到压力；年中则是小扎开启的疯狂「抢人模式」，天价薪酬刷新着所有人对 AI 人才的认知；到了年尾，又再次卷回到了朴素的模型比拼赛场。

在 OpenAI 研究主管 Mark Chen 的最新播客采访中，硅谷的战争更是进化到了魔幻的程度，他说小扎为了挖走 OpenAI 的核心大脑，甚至开始做汤，真的能喝的汤，然后亲自把汤送到研究员的家门口。

除了这些八卦，他也谈到了 OpenAI 对于 Gemini 3 的看法、Scaling 是否已经过时、还有 DeepSeek R1 对他们的影响、以及公司内部的算力分配、实现 AGI 的时间表等。

Mark Chen 的背景非常有意思，数学竞赛出身，MIT 毕业，去华尔街做过高频交易（HFT），2018 年加入 OpenAI，跟着 Ilya 一起做研究。和奥特曼更偏向于商人属性的特点不同，这些经历，让他身上也有一股非常明显的特质，极度厌恶失败，且极度信奉数学。

他坦言自己现在，完全没有社交生活，过去两周每天都工作到凌晨 1-2 点。

我们整理了这场长达一个半小时的采访，总结了下面这些亮点，或许能更好的看清硅谷这一年来的各种「战争」、以及 OpenAI 会做些什么努力，来继续保持自己在 AI 时代的第一。

关于 Gemini 3，我们真的「不慌」

OpenAI 真的怕 Google 吗？Mark 的评价很客观但也很犀利。他肯定了 Gemini 3 是个好模型，Google 终于找对路子了。但是他说看细节，比如 SWE-bench（这也是 Gemini 3 刷榜那张图片里，唯一一个没有拿到第一的基准测试）数据，Google 在数据效率上依然没有解决根本问题。

而他自己则是非常自信的表示，OpenAI 内部已经有了针对性的应对模型，而且他们有信心在数据效率上做得更好。

Mark 甚至说，奥特曼前几天发那个说大家都要感到压力的备忘录，去吓唬大家，其实更多的是为了注入紧迫感，他说这是管理层的惯用手段，备忘录的目的在于管理层激励团队，而不是真的感到慌了。

我觉得Sam的工作之一就是要注入紧迫感和速度感。这是他的责任，也是我的责任。

 

作为管理者，我们的部分工作就是不断给组织注入紧迫性。

他们目前最大的问题，还是算力分配。作为 OpenAI 的研究主管，他的一项工作就是决定如何将算力分配到公司内部不同的项目。

他和 Jakub Pachocki（OpenAI 首席科学家）一起，负责制定 OpenAI 的研究方向，同时决定每个项目能拿到多少算力。为了这件事，他们每隔 1–2 个月，都会做一次盘点。

他们把 OpenAI 所有在做的项目，放进一张巨大的表格里，大概有 300 个；然后努力把每一个项目都看懂，给它们排优先级；再根据这个优先级表去分配 GPU。

他也提到，真正要用掉大部分的 GPU 的，甚至并不是训练那个最重要发布的模型，而是他们内部在探索下一代 AI 范式的各种实验。

所以，在他的眼里，Gemini 3 发布了、某家开源模型刷榜了、某个思考模型又拿了新高分了；这些你追我赶的 benchmark 赛车一点都不重要。反而，最应该避免的，恰恰是被这场竞赛牵着走。

他说，现在的模型发展，我们随时可以靠一点「小更新」，就在榜单上领先几周或几个月。但如果把资源都砸在这些短线迭代上，就没有人去寻找下一代范式。而一旦有人真的找到了，整个领域后面十年的路线，都要沿着那条新路走。

小声哔哔几句，预言 OpenAI 下周要发布的模型，我想就是在计划之外，做了点小更新，然后刷新了几个榜单而已吧，就这还没慌吗。

提到榜单的时候，他说他有自己的一套私房题，用来测试模型是不是真的具备了顶级数学直觉。他举了一个 42 的数学难题，说目前的语言模型，包括 o1 这种思考模型能接近最优解，但从来没有完全破解它。

你想创建一个模 42 的随机数生成器。你手头有一些质数，是模数小于 42 的质数的随机数生成器。目标是，以最少的调用次数，组合出这个模 42 的生成器。

除了谈到 Gemini 3，主持人也问了他对于 DeepSeek 的看法。

和 Gemini 3 一样，Mark 承认 DeepSeek 的开源模型曾让他们感到压力，甚至怀疑自己是不是走错了路。

但结论是坚持自己路线，不要被对手的动作打乱节奏，专注自己的路线图。OpenAI 不会变成一个跟风的公司，他们要做的，就是定义下一个范式。

Ilya 的 Scaling 里面还有很多潜力，OpenAI 需要大规模预训练

近期关于 Scaling 失效的讨论纷纷扬扬，Ilya 先是在播客采访里面说，Scaling 的时代已经结束了，后面又在社交媒体上澄清，Scaling 会持续带来一些改进，并不是停滞不前。

所谓的 Scaling Law，就是按经典老故事走向，这几年建了巨大的算力基建，模型每 10 倍算力，本该有一波明显跃迁。但从 GPT-4 到 GPT-5，外界并没有看到预期中那种「质变式」的提升，所以才会有「Scaling Law 失效了」的讨论；而 Ilya 前段时间的访谈，则是进一步放大了这种观点。

Mark Chen 对这个观点，给出了坚决的反驳，「我们完全不同意」。他透露，过去两年 OpenAI 在推理上投入了巨量资源，导致预训练这部分稍显退化。之前关于 GPT-5 遇到了预训练的问题，其实也是因为他们把重心放在了推理上，而不是 Scaling Law 已死。

工作就是分配算力资源的他，再次重申算力永远不会过剩，如果今天多 3 倍算力，他可以立刻用完；如果今天多 10 倍算力，几周内也能全部吃满。对他来说，算力需求是真实存在的，看不到任何放缓迹象。

他也提到，过去半年，他和 OpenAI 首席科学家 Jakub Pachocki 已经将重心重新拉回，要开始重塑预训练的统治力。

他明确说他们会继续做规模化模型，而且已经有一批算法突破，专门就是为了让 Scaling 更划算，在相同算力下挖出更多性能，在更高算力下保持数据效率。

小扎的送来的真汤，抵不过 OpenAI 的鸡汤

最后就是访谈里提到的八卦了，Meta 今年没有别的新闻，媒体渲染了一整个季度的「OpenAI 人才/Apple 人才/Google 人才大量流失到 Meta」，Mark Chen 在播客里正面回应了这个话题，细节简直有点「颠」。

他说小扎真的很拼，为了挖人，小扎不仅手写邮件，还亲自去送鸡汤。人才战打到最后，居然演变成「谁煮的汤更好喝」的 Meta 游戏。

不过，在他的直接下属中，Meta 曾试图挖角一半的人，结果全部选择继续留下来。为什么不走？不是因为钱，因为Meta 给的钱显然更多，而是因为信仰。

Mark 说，即使是那些跳槽去 Meta 的人，也没有一个人敢说「Meta 会比 OpenAI 先做出 AGI」。留在 OpenAI 的人，是因为他们真的相信这里才是 AGI 的诞生地。

他也提到自己从华尔街和玩扑克的经历里面学到，真正要守住的是核心人才，而不是每一个人。在搞清楚，必须留下的是哪类人后，再把资源和关注度，全部压在这部分人身上。

他说他最强烈的情绪，其实就是想「保护研究的本能」。在 Barrett（OpenAI 研究副总裁）离职那阵子，他甚至直接睡在办公室睡了一个月，只为把研究团队稳住。

那么 OpenAI 所信奉的 AGI 又是什么，主持人问他，Andrej Karpathy 在最近的一个播客里面说，AGI 大概还要 10 年，你是怎么想的。

Mark 先是调侃了一番 X 现在「惊」的各种文案，一下子是「AI 完了」、一下子又是「AI 又可以了」。他觉得，每个人对于 AGI 的理解都不同，即便在 OpenAI 内部，也很难有一个一致的定义。但他相信的是，OpenAI 在 AGI 道路上设置的目标。

• 一年内： 改变研究的性质。现在的研究员是自己在写代码、跑实验。 一年后，研究员的主要工作是管理 AI 实习生。AI 应该能作为高效的助手，承担大部分具体工作。
• 2.5 年内： 实现端到端的研究自动化。这意味着：人类只负责提出 Idea（顶层设计），AI 负责实现代码、Debug、跑数据、分析结果，形成闭环。

从 Copilot 到 Scientist，Mark 强调，OpenAI for Science 的目标不是自己拿诺贝尔奖，而是建立一套工具，让现在的科学家能一键加速，哪怕这需要重构整个科学评价体系，因为未来可能很难分清是人还是 AI 做的发现。

2 年半的时间很快，但这对于现在看来，是以周为单位迭代的 AI 行业来说，又是一场漫长的马拉松。

无论是扎克伯格那锅真金白银的鸡汤，还是 OpenAI 想要定义未来的理想主义鸡汤，这场硅谷的「煮汤大戏」还远未结束。Mark Chen 播客里表现出来的从容，或许能消除一部分外界的焦虑，但用户还是会用脚投票，好的模型自己会说话。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

都在说 Gemini 3 这次炸翻天，年度最强，未来模型，除了拿下榜单第一，Gemini 3 到底能做点什么。

体验了一波之后，我发现最大的好处，是不需要到处去问，「你这个的提示词是什么？」

看到好玩的案例，无论是视频还是截图，统统丢给 Gemini 3，加一句「帮我做一个一模一样的出来」，Gemini 3 立刻就能复刻一个同款。提示词的时代，真的慢慢过去了。

就像这个在 X 很火的拍立得相机，它是用 Gemini 3.0 Pro 生成的一个项目，能调用设备的摄像头，然后生成一张拍立得风格的照片，在相纸上印有文案和拍摄日期。

这种能直接和现实生活交互的效果，确实打破了之前 AI 一味的，只知道做一个单页应用的乏味。

当我们把这个视频直接发给 Gemini 3.0 Pro，它竟然也可以很快，就生成一个同款。并且在 Canvas 里面，还支持添加 Gemini 功能，因此我们这个拍立得，还有了 AI 识别摄像头画面，主动生成文案和选择滤镜的功能。

还有网友用 Gemini 3 直接做了一个诗歌探索器，让它每天提供一首诗，鼠标悬停时会解释每一行，并提供一些建议问题来进一步探索诗歌。

我特别喜欢这个简洁大方的设计，同样地，把这个录屏丢给 Gemini，当看到生成的效果时，我觉得 Gemini 3.0 Pro 太酷了。

打开代码页，你还会惊喜地发现，Gemini 不仅搞定了前端 UI，甚至连调用 API 的系统提示词（System Prompt）都帮我们写好了。

你是一位博学的中国古文学家和美学鉴赏家。你的任务是为用户推荐一首中国古诗词（范围包括唐诗、宋词、元曲、诗经、楚辞、汉乐府等）。请不仅限于最著名的《静夜思》之类，多推荐一些意境深远、耐人寻味的佳作。

在这个过程中我们还可以同步让它进行修改，Gemini Canvas 有一个强大的功能，除了提到的「Add Gemini Feature（添加 Gemini 功能）」，还有一个是「Select and Ask（选择并提问）」，我们可以直接框选预览页面的某个组件元素，然后提问，Gemini 会自动修复这一部分。

这里我们让它添加一个分享生成照片的功能，以及修复之前点击我的收藏没有反应的问题。

这已经不是单纯的单页 HTML 文件，它需要 Gemini API 来同步完成诗歌的选择推荐，以及图片内容的生成。我相信这是目前无论哪个 AI 编程工具、或者 ChatGPT，都无法实现的强大功能。

Gemini 3 能创造的东西真的太多了，优雅的前端完全不必多说，这样的诗歌探索网页，色彩的搭配使用，元素的布局，放在哪里都是一流的设计。后端的能力，Gemini 不需要构建繁琐、有限的诗歌数据库，而是直接利用 AI 来获取不同的诗词。

而且，在对话里，我没有提到要求响应式设计，即手机、平板、和 PC 多种显示比例的同步，Gemini 3 还是帮我做到了，我们也可以在手机里直接看古诗文，同样调用 Gemini API。

我们把同样的视频和提示词交给 ChatGPT，严重怀疑 ChatGPT 5.1 根本就没有看视频，而是完全依靠我输入的提示词来完成。无论是整体 UI 的风格，还有提示词里没有提到要写作者简介，ChatGPT 生成的内容就没有作者简介。

更大的问题，这不是一个能直接使用的产品，它生成的数据库里只有《静夜思》和《登鹳雀楼》两首诗，它也没有办法使用 OpenAI API 来完成诗歌的搜索获取。

当我提到「这个诗不应该是放在数据库里的，而是应该用 ChatGPT 自动搜索，不然我每次打开都是那几首诗诶」，整个项目就报错了，因为它需要我填入真实的 API。

总而言之，如果用 ChatGPT，一个好的提示词还是少不了。

网上更火的 Gemini 3.0 Pro 测试，是有一个博主，在 Gemini 里面输入一句「Design a Capcut（设计一个剪映）」，然后只花了 239 秒，就复刻了一个能真实使用的剪映。完全不需要我们再打磨提示词，去详细列出应该做哪些功能，交互逻辑是如何，配色方案等；直接一句话搞定。

还有相当一大部分的案例，是网友们都在谈的前端，即 Gemini 3.0 Pro 生成的网页，不仅摆脱了 AI 编程之前常见的渐变紫，还带来了耳目一新的大胆设计，就像是有个设计师在后台帮用户画初稿一样。

下面这些是网上热度比较高，由 Gemini 3.0 Pro 生成的前端页面例子。

一家人工智能公司的完整落地页。

下一代 AI 公司该有的美学追求和品味。

一个双栏的响应式布局个人首页。

这些案例有的分享了提示词，当我们把这些提示词，通过 ChatGPT、Kimi、MiniMax 这些模型来处理时，得到的效果，都还是停留在我们的想象之中。

也有很多网友，趁着大家都在夸 Gemini 3 的前端，把一些自己设计的网页，包含复杂的动画效果和字体设计，也营销称是 Gemini 3 完成的，获得了一波流量之后，再去评论区留言说「没有提示词，这是我们团队手工做的。」

Gemini 3 + 前端，这一波热度谁都想蹭。在这些 Gemini 3.0 Pro 生成的前端精美、设计高级、交互友好的网页里面，大部分都用到了 3D 的效果，即使用 Three.js 库来完成网页设计。

深度学习经典花书的作者，Ian Goodfellow 在 Gemini 3.0 Pro 发布后，也是直接上传一张图片，生成一个 3D 的体素艺术场景，通过 Three.js 来测试它的多模态推理能力。

他提到与 Gemini 2.5 的结果相比，Gemini 3 强大的多模态理解，和 3D 推理能力，大幅提升了生成内容的保真度。

得益于内容保真度的提高，很多 3D 项目，现在都可以通过 Gemini 3.0 Pro 来完成。像这个完全交互式的 3D 地球仪，我们可以探索和收听，来自世界各地的广播电台。

眼尖的网友立刻就发现了，这不就是经典的 Radio.Garden 吗？作者也坦言确实在提示词中，提到了这个网站，要求复刻。但让我们惊讶的是，Gemini 3.0 Pro 只靠简单的几句指令，就完美重现了这个复杂的 3D 交互体验。

还有一些经典的 3D 单页项目，例如这个酷炫的 3D 魔方。

以及各种需要 3D 图形和动画引擎的小游戏。

现在再看到这些有意思的项目，也不需要愁找不到提示词了，拿起手机录个屏，或者截几张图片，丢给 Gemini，要求它复刻，成功的几率大大提升。

毫不夸张地说，Gemini 3.0 Pro 展现出的能力，已经把其他模型彻底甩开了一个身位。

做程序员，它懂代码；做设计师，它审美时刻在线；做产品经理，它逻辑缜密。从 2D 到 3D，从模仿到创造，现在的 Gemini 3.0 Pro，已经不再需要我们用复杂、冗长的提示词，去引导它理解了，而是通过强大的多模态理解和推理能力，读懂并实现我们的需求。

这种「所见所想就能有所得」的震撼，确实配得上「年度最强」这个称号。

更让人按耐不住的是，据说今晚 nano banana 2、Gemini 3.0 Flash 也要来了。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

前几天 nano banana 2 的泄漏版本，正在网上被疯狂转载，奥特曼眼看着流量不能被 Google 再抢了去，一点预告都没有，直接就发布了 GPT-5.1。

现在，GPT-5.1 都来了，Gemini 3.0 还会远吗。

Google CEO Sundar 和 Google AI Studio 负责人 Logan，都回复了一则关于 Gemini 3 的帖子，内容显示 Gemini 3 在预测市场的发布时间，有 69% 的用户买入了这个月 22 号的时间。

Google CEO 回了意味深长的思考 emoji，毕竟在预测市场 Polymarket 上，Gemini 3 的发布时间从 8 月 31 号到年底，都有人买入，而现在除了本月 22 号，月底 30 号更是累计有三百多万美元。

种种迹象显示，Gemini 3.0 很有可能就在最近这周发布，并且还有机会和 nano banana 2 一起发布。它们一个是在编程、智能体、写作等通用智能上更上一层楼，另一个是延续图像编辑的强大一致性和长文本渲染。

不敢想象年底的 AI 模型更新会有多激烈。

我们之前也汇总过关于 Gemini 3.0 和 nano banana 2 的爆料，那时的 Gemini 3.0 是出现在 Google AI Studio 的 A/B 测试中，能直接给我们生成一个 macOS 的云电脑，点开 Safari 还可以直接访问网页。

而最近这段时间爆出来 Gemini 3.0 的料，一个比一个厉害。指令的理解能力更强，在编程项目中展示了丰富的世界知识，还有生成的网页，风格更多元也更大胆，更实用。

大模型竞技场上的神秘模型

在大模型竞技场上，又多了一个编号为 riftrunner 的神秘模型，有网友在 battle 对战模式下，刚好测试到了它的效果。用它生成的 SVG 动画，一个比一个厉害。

下面这个能调节风速档位的电风扇，在 X 上被疯狂转载，大家都不相信 AI 有这么聪明，只用一句提示词，就能做出精美的 SVG。

他还用这个编号为 riftrunner 的模型，生成了一个能同步真实时间，切换表盘颜色的手表动画 SVG。

和之前 nano banana 一开始出现在模型竞技场一样，网友们都在怀疑这个 riftRunner 就是 Google 马上要发布的 Gemini 3.0。

要想体验到它，我们不能手动选择，必须在竞技场 battle 模式中随机获得。battle 模式会给我们两个不同的答案，投票后才能知道型号名称。

为了减少反复尝试的痛苦，Flowith 的创始人还发 X，分享了通过设置浏览器 Agent 来自动投票，更快找到 riftrunner 的方法。

我们也在 LMArena 里面测试了多次，都没有碰到过 riftrunner，大概是运气都在我抽 nano banana 那会儿花光了。

继续在网上找了更多网友的分享，有人说 riftrunner 不失所望，是唯一一个解出下面这道数学难题的模型。

还有人在竞技场不断测试，做一个狐狸模型，得到了 riftrunner（Gemini 3）、Claude 4.5、以及 GPT-5 的三种对比。

还有应该选 both are bad，两个都很差的蒙娜丽莎 SVG 画像，即便是 riftrunner 看着也很怪，但至少又比 Claude 有更多关于蒙娜丽莎的元素。

以及 riftrunner 生成的，一只骑自行车的鹈鹕的 SVG。

藏在了手机端 Gemini App 的 Canvas 功能里

还有网友说，现在 Gemini App 里面的 Canvas 功能，使用的模型就已经是 Gemini 3.0 了。因为在网页端的 Gemini 和手机端，输入同样的提示词，得到的输出，质量差距很大。

于是一大波网页版和手机端的对比，纷纷出现在评论区，大家都认可了，手机上的 Canvas 真的是使用了更先进的 Gemini 3.0。

最直观的例子是这个 3D 宝可梦的动图，在 Web 端生成的 3D 动图背景简单，宝可梦的形象也很抽象；手机端的色彩、背景都做的更好。

还有网友做的 Gemini 和外星人入侵的对抗的 SVG，网页版继续一如既往的简陋，而在手机上的 Canvas 明显元素更多，更丰富。

以及拿手机应用中的 Canvas 和 Claude 4.5 Sonnet 来对比，输入的提示词都是，一个 3D 宝可梦精灵球。

还有人拿 Xbox 手柄 SVG 图来做测试，iOS 手机应用里的 Canvas 和 浏览器里的网页版，是完全不同。

不过，也有用户分享自己 Gemini 手机端和网页端，出来的结果是一模一样的。

我也尝试输入「生成一个 Xbox 的手柄 SVG 图」来看看两遍的结果，但是都很不理想。要不是根本不像一个手柄的图，要不然就是键位这些全部错乱。

只能说模型会出现幻觉，我们人类也可能有幻觉。大模型竞技场的神秘代号模型，还有这种靠着观察输出差异的怀疑，都不能确定是否来自 Gemini 3.0。

更确定的信息是，有网友发现，Gemini 3.0 Pro 已经出现在 Gemini Enterprise 的 Agent 模型选择器中。

不过 Gemini Enterprise 也是不对一般的用户开放，但至少可以说 Gemini 3.0 真的距离发布不远了，或者说已经准备好了。

回看过去这一年来，几家大模型公司的发布记录，GPT-5 因为营销太多被诟病，发布后网友们表示熬了这么久，「就这」；还有在社交媒体一直没什么水花，但模型广受好评的 Claude 系列；现在是后发制人，凭着 nano banana 重新回到大家视野的 Gemini。

甚至在想，如果没有 nano banana，会不会还有人只记得它之前的名字，叫 Bard。

SimilarWeb 在前几天了公布了，各个大模型网页流量的统计数据，一年前 OpenAI 的网页访问流量占比是 86.6%，到了今天虽然还稳居首位，但是已经被瓜分走了相当一部分，只剩下 72.3%。

而被分走的流量基本上全去到了 Gemini，Gemini 从一年前只有 5.6%，在 nano banana 发布之后，冲到了现在的 13.7%，直接翻倍。

要是 Gemini 3 和 nano banana 2 能稳住，再接着这波流量，下个季度的柱状图，Gemini 的颜色可能还要占据更多。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

我们还年轻，可不想看到这个世界处在毫无自由、隐私的边缘。

前几天最近随着 Claude Code 这个命令行 AI 代码工具的火爆，谷歌也耐不住寂寞推出了自己的同类产品 Gemini CLI，而且完全免费，非常顶。

下面会教你用 Gemini CLI 实现哪些能力：

首先他们是没有界面的，所有的操作都是在终端以命令行的方式展示。

然后就是也是 Agents 可以自动执行任务处理本地文件，同时内置了非常多的工具，比如谷歌搜索、阅读文件、查找文件、搜索文字、写入文件、保存记忆等，你输入 /tools 然后回车就可以让他列出目前支持的工具。

另外 Gemini CLI 也是支持 MCP 的，你可以安装其他的 MCP 工具帮助模型扩充上下文。

很多朋友说命令行是不是很复杂啊，我不会编程是不是会很难用。

其实并没有，如果你的网络环境正常，能够正常登录 Gemini CLI 的话，跟使用 Cursor 没有本质区别。

因为核心交互的时候还是主要为提示词输入框，命令行又不用你写，Gemini 写就行。

从这里开始我所有的演示都基于 Mac OS 的自带终端进行，Windows 大部分操作都是通用的，但是可能出问题概率比 Mac 复杂。

首先要做的第一步就是进入到我们的启动台，搜索终端两个字，搜到之后打开。

这时候你就看到一个空白界面里面写了些你看不懂的字，不要担心。

这里我建议我们想好要进行的任务之后，新建一个文件夹把需要的任务素材扔进去，然后按住 option 按键鼠标右键选择“将 XXXX 文件夹拷贝为路径名称”，这时候你就快速获得了这个文件夹的路径。

然后我们回到我们的终端窗口，输入 cd + 空格 + 你刚才复制的路径，接下来你终端的所有操作都只会影响这个文件夹的内容，不用担心把电脑搞坏。

到这一步我们终于开始安装 Gemini CLI 了，非常简单，你只需要输入下面的内容然后回车就行。

安装成功你就会看到这个界面，应该会先让你选择命令行的颜色主题，然后让你选择登录方式。

这里需要注意：终端的操作大部分时间需要用上下左右方向键来操作选项，选中之后按回车确认。

你只需要选择一个自己喜欢的主题之后，选择正常的谷歌账号登录，在拉起网页登录后关掉就行。

我这个这里已经登录了，所以没有这些选项，然后你就能看到提示词输入框了。

恭喜你到这里，你已经完成了 Gemini 的安装。

由于用的 NPX 的安装方式，所以你以后每次关掉终端重新使用 Gemini CLI 的时候都需要输入开始的那个命令，不过不用登录了，直接就能用。

另一种方法是输入下面这个命令，但是对于不会编程的人来说很麻烦，启动就是少输入点东西，输入 Gemini 就能启动。

最后由于命令行本身都是英文的，可能很多人会望而却步，这个时候你可以装个 Bob 这个翻译软件，支持划词翻译，看不懂的选项直接选中划词翻译就行。

装好之后我们可以来点基础用法了。

由于 Gemini 可以看到你的文件并且操作，而且它还有生成能力，本身模型还是多模态的，所以即使只用本身的工具也可以有很多用法。

首先是 Gemini CLI 本身支持谷歌搜索，你可以让他搜索指定内容给你写成文档，也可以对你本身的文档进行编辑。

当然搜索工具经常会限额，这个有点恶心，比如让他搜索歸藏的信息并且整理一个介绍文档。

你也可以让他分析你保存在本地的文章之后进行改写，生成新的文章。

比如我这里就让他把 Karpathy 的软件 3.0 文章改写成适合发布的博客文章，同时生成对应的推特发布版本，也可以对于会议总结之类的文档进行分析和处理。

记得我之前写的用 Curosr 这种 IDE 帮助分析 Obsidian ，把 Obsidian 当做本地知识库的方法吗，Gemini CLI 也可以，甚至更加强大。

你可以找到你的 Obsidian 文件夹打开之后启动 Gemini CLI，然后让 Gemini CLI 查找相关的内容。

比如我这里就让他检索我所有的剪藏文件，找到 MCP 相关的文章，然后给我生成一个带反向链接的《MCP 剪藏内容索引》文档，可以看到他完成的很好。

每个无序列表都有文件标题以及文章的总结，最后还有链接可以直达那个文章。

提到反向链接了，就不得不提 Obsidian 的一个知识图谱的功能，它可以把所有有反向链接的相关文档都链接起来，形成你自己的网状笔记网络，方便你学习和回顾。

但是反向链接需要你自己手动加，大部分人都没这个毅力，现在有了 Gemini CLI 问题解决了，可以让他帮你给你文件夹中的相关文档加反向链接。

不过这个需要的时间比较长，如果内容多的话可能得等一段时间。

由于本身 Gemini CLI 是多模态的的，所以你的图片也可以让他帮忙处理。

比如我打开了一个全是图片的文件夹，里面的图片名字乱七八糟的，这时候就可以让他分析图片内容之后根据图片内容给图片重新命名。

再重新命名之后我们也不能浪费他分析的图片内容。

我们都知道在训练图像模型或者 Lora 的时候需要对图像进行标注，大部分训练工具都是把标注放在一个跟图片命名一样的文本文件里，现在我们就可以让 Gemini CLI 来做这件事了。

可以看到他执行的非常完美，以往这些你还得找对应的工具，而且不好自定义要求，现在提示词就行。

Gemini CLI 除了可以读取文件和修改文件外也是可以控制系统设置的。

比如我们就可以写好自己日常对于软件和系统设置在不同工作时间的喜好，需要的时候一键完成所有操作的更改。

这里我就让他给我关掉浏览器，然后打开 Obsidian，降低系统音量，直接进入工作模式。

更进一步让他把操作写成脚本，之后你就可以直接双击脚本完成系统设置了。

我们肯定也有很多时候桌面或者文件没有整理乱七八糟。

这个时候就可以让 Gemini CLI 新建文件夹进行分类和整理。

但是这里得注意，不要让他整理过大的过于重要的文件夹，不然误删了就痛苦了。

这里我就让他把刚才的图像和标注文件新建了两个文件夹分别整理了。

上面都是些基本用法，你最近可能也看到了一些。

但是我发现结合一些本地软件，Gemini CLI 能实现对各种文件更加高级的处理，比如视频转 gif、youtube 视频下载、加水印、文档格式转换等。

这些就非常牛皮了，而且我们日常内容创作大部分都非常需要。

前面我们有了文档了，但是很多时候演示的时候总不能真给人看 Markdown 文档吧，能不能生成 PPT 呢？

可以的，朋友，必须可以，比如我这里就把前面我那个 MCP 索引文档的内容直接转换为 PPT 了。

这个依赖一个叫 Slidev 的项目，它可以用类似 Markdown 文档的格式将内容变成带有丰富样式的 PPT。

你不需要知道这个项目的细节，直接用我下面的提示词生成文件之后，复制文件到这个页面（https://stackblitz.com/github/slidevjs/new?file=slides.md）预览就行。

上面的 Slidev 不需要本地安装直接预览就行，接下来我们介绍一些需要本地安装的项目，这些本地的软件，非常强大，但是由于本身他们是没有界面的，阻碍的很多用户使用。

但是有了 Gemini 之后一切都解决了，提示词可以直接转换为驱动他们的命令行，也可以用提示词直接安装他们，你直接用就行。

首先先介绍一下 ffmpeg 这个项目，给予他你可以实现非常强的视频编辑能力，理论上剪映之类的视频编辑软件都是基于这个完成的。

你可以对本地的视频进行拼接、剪辑、增加文字、转换格式、转换分辨率、增加音乐，基本上你能想到的视频编辑能力他都能做到。

首先我们需要大概你需要处理视频的的文件夹，然后启动 Gemini CLI 第一个命令是让他安装 Homebrew。

然后安装完成后，让他用 Homebrew 帮你安装 ffmpeg。

看到没，跟网页哪些乱七八糟的要求都没关系，你只需要说两句话，就全部安装了。

然后我们就可以爽用了，先给我们指定的视频加个水印试试。

可以看到新的视频右上角果然有了一个水印，这种言出法随的感觉谁不喜欢，你不需要了解原理，你就只需要知道所有的视频编辑他都能帮你搞定。

然后我想要给视频配乐也可以，你只需要告诉他视频文件和音乐文件的名字就行，我甚至让他给音乐加上了淡入和淡出。

他先是获取了一下视频的时长，然后就开始操作了，然后搞定了，非常完美，严丝合缝，淡入淡出也加上了，可以看剪映界面预览的频谱。

我们很多时候需要把视频转换为序列帧，然后拿其中一帧进行处理，或者处理所有的帧，以前你是不是还得到处找这种工具，而且转换效果不一定好。

Gemini CLI 一句话就能搞定，处理的又快又好，而且节省了用网页工具上传下载的时间。

另一个常见的任务就是视频转 gif，尤其公众号有 10 个视频的限制，很多时候迫不得已得转成 gif 发布。

Gemini 捕捉到了高品质这个关键词还制作了调色板保证颜色还原度，最后处理的非常完美。

像 ffmpeg 这种宝藏项目还有很多，比如 yt-dlp 这个项目跟 ffmpeg 配合几乎可以下载你能想到的所有视频平台的视频。

我们还是可以让 Gemini CLI 帮我们安装 yt-dlp 这个项目就行。

然后直接提供视频链接他就会帮你下载，甚至可以批量下载多个视频或者一起连封面和视频一起下载，再也不需要忍受那些工具的垃圾网速了。

处理视频我们有 ffmpeg 这种项目，当然图片也有。

ImageMagick 是一个极其强大的工具集，你可以用它来转换格式、缩放、裁剪、旋转、添加滤镜、组合图片等等。

依然是老一套，先让 Gemini 帮我们安装

先来一个常见任务，我们设计师做外包经常用，在没结款之前给甲方低分辨率和带水印的图片，现在就可以直接批量完成。

这里我让他把所有图片宽边调整为 800 PX，然后统一加上带“内部资料”文字的水印。

中文的水印有些问题，后来改成英文就 OK 了，而且出错之后他自己开始用多模态能力检查修改后的图像了，发现 10% 不透明度的文字不明显，又自己重新改了一下，太聪明了。

然后再来一个常见的图像拼接需求，这种在媒体上发消息的时候经常需要，尤其是推特。

搞得不错，这几张图比例不同，所以没有对齐，可以在命令上加上统一比例这种要求就行。

文档格式转换也是常见的需求，相当多的公司工作文档还是 word，很多时候我发过去 .md 文件那边都不知道怎么办。

首先还是让 Gemini CLI 帮我们安装。

这个时候我们就可以利用 Pandoc 这个项目进行各种文档格式之间的互相转换，当然批量转换也是可以的。

可以看到转的很好，Markdown 的一些基本格式也都迁移了，不管是加粗还是无序列表有序列表。

好了教程到这里就结束了。

你可以用 Gemini CLI 控制这些已经非常成熟的命令行项目，基本上你所有的需求都能找到对应的项目。

不是只有 MCP 才能做 Agent，这些传统工具在有了 LLM 加持之后会更加强大。

看到这里，你可能会突然意识到：原来那些让我们望而却步的专业工具，其实一直都在那里等着我们。

史蒂夫·乔布斯说过的一句话：”技术应该是隐形的。” 今天的 Gemini CLI，正是让那些强大的命令行工具变得”隐形”——你不需要理解它们的工作原理，只需要说出你的需求。

更重要的是，这种改变不仅仅是效率的提升，而是创作门槛的彻底消失。

所以，如果你还在犹豫要不要试试 Gemini CLI，我想说：别让”我不会编程”成为你探索新世界的借口。 因为在这个新世界里，你需要的不是编程能力，而是想象力。

那些曾经高高在上的专业工具，现在都在静静等待着你的一句话。而你要做的，就是勇敢地说出你的需求。

因为最好的工具，是让你忘记它是工具的工具。