Gemini CLI 进阶实战：MCP 服务器与扩展全解析

Gemini CLI 的真正威力，藏在它的扩展体系里。昨天的基础配置只是半张拼图——当你把 MCP（Model Context Protocol）服务器、扩展包和自定义斜杠命令组合起来，Gemini 就从一个聊天工具变成了可以调用你自己代码的开发利器。这篇文章带你走完整个进阶链路，目标是在读完之前让 Gemini 接入三个 MCP 服务器。

一个 JSON 块就能挂上第一个 MCP 服务器

接入 MCP 服务器没有想象中复杂。你的第一个服务器就定义在 settings.json 里的一个 JSON 块中：给它起个名字，指向一条启动命令，Gemini 立刻获得一个新工具。不需要重启，也不需要什么插件商店。

配置的层级关系是这套体系的关键。Global Config 设定全局默认值，Project Config 则把特定工具绑定到单个仓库。多层配置按顺序叠加——default、system、user、project——并且 project 永远拥有最高优先级。这意味着你可以为团队定义一套通用默认，同时在某个项目里覆盖成专属配置，互不干扰。

这种分层设计解决了实际协作中的痛点：个人习惯、团队规范和项目需求可以并存，而不是互相覆盖。

MCP（Model Context Protocol）是由 Anthropic 提出、目前已被多家 AI 工具采纳的开放协议，它定义了 AI 模型与外部工具、数据源之间的标准通信方式。可以把它理解为 AI 世界的"USB 接口"：只要服务器实现了 MCP 协议，任何兼容的客户端（包括 Gemini CLI）都能直接调用它，而无需为每种工具单独开发适配层。MCP 服务器本质上是一个本地或远程进程，它对外暴露一组"工具"（tools），每个工具有名称、参数描述和执行逻辑。Gemini 在收到用户请求时，会根据上下文自主决定是否调用某个工具、传入什么参数，再把执行结果整合进回复。这套机制让 AI 从"只能聊天"升级为"能干活"——文件读写、代码执行、API 调用都可以通过 MCP 工具完成。

扩展包：一条命令拉取整套能力

如果说单个 MCP 服务器是零件，那扩展（Extensions）就是成品套装。扩展把 MCP 服务器、Gemini.md 上下文文件和斜杠命令打包在一起，一条安装命令就能从 GitHub 拉取整个包，省去了手动编写 JSON 接线的繁琐步骤。

这对团队分发尤其有价值。与其让每个成员各自配置，不如把整套能力封装成扩展统一发布，保证所有人的工作环境一致。

斜杠命令：写一次，全程复用

斜杠命令本质上是 TOML 文件。你只需把提示词写一次，之后每个会话都能用 /deploy 这样的命令直接调用。把这些命令提交到 .gemini/commands 目录，通过 Git 同步，整个团队就都能用上同一套命令。

这是把个人经验沉淀为团队资产的高效方式——复杂的工作流被封装成一行命令，降低了协作门槛。

用 FastMCP 把 Python 函数变成原生工具

对会写 Python 的人来说，这一步几乎零成本。FastMCP 通过一个装饰器就能把任意函数转化为 MCP 工具。运行 fastmcp install gemini-cli，Gemini 就能像调用内置功能一样调用你的代码。

这打通了从「使用现成工具」到「构建专属集成」的通道。你不再受限于别人提供的能力，而是可以把业务逻辑、内部 API、自动化脚本直接暴露给 Gemini 调用。

FastMCP 是一个 Python 库，它在标准 MCP SDK 之上提供了更简洁的开发体验。核心用法是用 @mcp.tool() 装饰器标注一个普通函数，FastMCP 会自动解析函数签名和文档字符串，生成符合 MCP 规范的工具描述，并启动一个本地服务器进程对外暴露该工具。Gemini 读取工具描述后，就能在合适的时机自动调用它。fastmcp install gemini-cli 命令会将服务器注册到 Gemini CLI 的配置中，使其在每次会话启动时自动运行。这种方式特别适合封装企业内部系统：例如用几十行 Python 包装一个内部数据库查询接口，Gemini 就能用自然语言驱动数据检索，而无需暴露数据库凭证或修改任何现有系统。

工具权限与密钥安全

一个大型 MCP 服务器可能一口气暴露 50 个工具，但你未必需要全部，也未必希望 Gemini 碰到其中的危险操作。Gemini CLI 提供了精细的权限控制：

• includeTools：白名单机制，只放行你明确需要的工具；
• excludeTools：永久屏蔽危险工具，彻底挡在门外。

结果是 Gemini 看到的工具集完全由你决定，多一个都没有。

在密钥管理上，这套机制同样谨慎。你在 settings.json 里写入 $API_KEY 这样的环境变量引用，Gemini 在运行时才展开它——真实密钥永远不会落在配置文件里。此外，Gemini 还会阻止主机上的敏感信息泄露给第三方服务器。

这对企业场景至关重要：既要让 AI 调用外部服务，又不能让凭证暴露给不可控的第三方。

从配置使用者到集成构建者

走完这四步，你已经不只是在「用」Gemini CLI，而是在为它构建真实的集成能力。MCP 服务器的接入、扩展的打包分发、FastMCP 的代码封装，以及权限和密钥的安全控制，共同构成了一个可扩展、可协作、可审计的工作体系。

据该系列教程预告，进阶的尾篇将进入专家级内容——无头模式（headless mode）、钩子系统（hook system），以及把 Gemini CLI 接入 CI 流水线。这意味着 AI 能力将从交互式开发延伸到自动化部署的每个环节。

如果你刚接入了第一个 MCP 服务器，不妨从一个简单的内部工具开始，体验一下 Gemini 调用你自己代码的感觉——这往往是理解整套体系最直接的方式。

无头模式（headless mode）指 Gemini CLI 在没有交互式终端的环境中以纯命令行方式运行，接受标准输入或参数作为提示词、将结果输出到标准输出，整个过程不需要人工介入。这使得 Gemini 可以被直接嵌入 shell 脚本或 CI/CD 流水线。钩子系统（hook system）则允许在特定事件（如工具调用前后、会话开始结束）触发自定义脚本，实现日志记录、审计、权限二次校验等自动化操作。两者结合，意味着 AI 辅助可以从"开发者手动提问"扩展到"代码提交自动触发分析、测试失败自动生成修复建议"等全自动化场景，AI 能力真正融入软件交付的每个环节。