Gemini多工具协作协议服务器

Claude Gemini MCP服务器

Gemini MCP服务器

该项目提供了一个实现多工具协导协议（MCP）的服务器，使主要的人工智能模型能够与谷歌的Gemini Pro模型协作，以增强功能。

它起到了桥梁的作用，允许兼容的AI助手将特定任务（如提问、审查代码或头脑风暴）转移到Gemini。

特性

• 通用MCP接口：实现MCP协议，便于与任何兼容的客户端集成。
• Gemini集成：利用谷歌Gemini 3 Flash模型（Gemini-3-Flash-review）的强大功能。
• 多图像分析：在单个请求中比较和分析多达3600张图像。
• 可扩展工具集：轻松添加需要Gemini功能的新工具。
• 多模式支持：通过Gemini的多模式功能处理文本、图像和视频。
• 重量轻，速度快：使用Python构建，易于运行和部署。

模型使用

此MCP服务器使用最新的Gemini型号以获得最佳性能：

型号特点：

• 🎯 双子座3闪光：以Flash速度进行专业级推理，1M令牌上下文窗口
• 🔬 深度研究专业：多跳推理、自动查询细化、源综合
• 💰 定价：Gemini 3 Flash-0.50/1M输入代币，3/1M输出代币

设置和安装

此项目使用 uv 用于快速可靠的Python环境和包管理。

1. 安装 uv: 如果你没有 uv 已安装，请按照官方安装说明进行操作：

   复制

   # On macOS and Linux
   curl -LsSf https://astral.sh/uv/install.sh | sh
   

2. 配置API密钥: 创建一个 .env 文件在项目根目录中，并添加您的Gemini API密钥：

   复制

   GEMINI_API_KEY="YOUR_API_KEY_HERE"
   

运行服务器

随着 uv 已安装和您的 .env 创建文件后，您可以使用单个命令运行服务器。 uv 将自动创建虚拟环境并安装来自的依赖项 requirements.txt 为你。

uv run python server.py

服务器将启动并监听来自任何MCP兼容客户端的请求。

开发和测试

使用MCP开发服务器

对于开发和测试，您可以使用内置的MCP开发服务器：

# Run the development server
uv run mcp dev server.py

这提供了增强的调试输出和开发功能。

MCP检验员测试

MCP检查器提供了一个基于web的界面，用于交互式测试您的服务器工具：

# Install and run MCP Inspector
npx @modelcontextprotocol/inspector

然后打开提供的URL（通常 http://localhost:6274)在您的浏览器中。你可以：

• 测试所有可用工具
• 查看工具模式和描述
• 使用自定义参数执行工具
• 实时监控服务器响应

要将服务器连接到检查器，请执行以下操作：

1. 在检查器web界面中，添加新服务器
2. 使用以下连接详细信息：
   • 命令: uv
   • 参数: ["run", "python", "server.py"]
   • 工作目录: /path/to/your/claude_code-gemini-mcp

直接测试

您也可以直接测试服务器：

# Test server startup
uv run python server.py

# The server will wait for JSON-RPC input on stdin
# Press Ctrl+C to exit

客户端集成

要将此服务器与MCP兼容的客户端集成，您需要生成JSON配置。附带的脚本使这变得容易。

运行脚本以生成必要的JSON：

./generate_config.sh

这将输出一个JSON块，您可以将其添加到客户端的配置文件中。输出将看起来像这样，并为您的系统提供正确的绝对路径：

{
  "claude_code-gemini-mcp": {
    "name": "Gemini MCP Server",
    "description": "A general MCP server for Gemini integration.",
    "command": "/path/to/your/project/claude_code-gemini-mcp/.venv/bin/python",
    "args": ["/path/to/your/project/claude_code-gemini-mcp/server.py"],
    "env": {},
    "enabled": true
  }
}

原理

服务器遵循 多工具协导协议（MCP），AI助手如何与工具对话的规范。

• initialize：客户端开始通信，服务器返回其功能。
• tools/list：客户要求提供可用工具的列表。
• tools/call：客户端要求服务器使用给定的参数运行特定的工具。

服务器当前公开 19工具 致客户：

核心Gemini工具（6）：

• ask_gemini问双子座一个直接的问题。
• gemini_code_review：从Gemini获得代码审查。
• gemini_brainstorm与双子座集思广益。
• gemini_debug：分析错误消息并提出修复建议。
• gemini_research：以谷歌搜索为基础进行研究。
• watch_video：分析YouTube视频或本地视频文件。

深度研究工具（7）：

• start_deep_research：用多跳推理开始复杂的研究（持续5-60分钟）。
• check_research_status：监控异步研究任务进度。
• get_research_results：检索已完成的研究报告（从SQLite进行零成本检索）。
• cancel_research：停止运行带有可选部分保存的研究任务。
• resume_research：恢复失败或中断的研究任务。
• estimate_research_cost：执行前成本和持续时间估算。
• save_research_to_markdown：将研究导出到格式化的Markdown文件。

FastMCP任务支持（v3.8.0）

现在使用的深度研究工具 FastMCP的本地后台任务系统 对于长时间运行的操作：

主要特点：

• 协议本地任务：执行MCP SEP-1686任务规范
• 自动通知：LLM客户在研究完成时收到通知
• 代币节省：消除了手动状态轮询的需要（减少98%）
• 零成本检索：结果缓存在SQLite中以供即时访问

LLM使用模式：

# Start research - returns immediately with task_id
result = start_deep_research("quantum computing advances")

# Continue other work - research runs in background
# ... LLM can handle other user requests ...

# FastMCP sends notification when complete (no polling needed!)

# Retrieve results from SQLite cache (zero tokens)
final = get_research_results(result["task_id"])

AI助手的好处：

• 轮询时没有浪费上下文窗口
• 在长时间的研究过程中可以同时处理多项任务
• 单一通知，而不是重复检查
• LLM代理的更简单的代码模式

技术实施：

• 用途 @mcp.tool(task=True) 装饰器
• 通过FastMCP更新进度 Progress 依赖
• 为Gemini API交互保留自定义轮询循环
• SQLite持久性确保跨重启恢复

文件管理工具（5）：

• interpret_image：分析一个或多个图像（每个请求最多支持3600个图像）。
• check_file_status：检查上传文件的处理状态。
• list_uploaded_files：浏览Gemini云存储中的所有文件（保留48小时）。
• get_last_uploaded_video：快速访问最新的视频上传。
• delete_uploaded_file：从Gemini云存储中删除文件。

公用设施（1）：

• server_info：检查服务器状态和连接。