当Gemini CLI遇见n8n：免费撸Google顶级模型的玩法

最近两天，GitHub 上最炙手可热的开源项目非 Gemini CLI[1] 莫属！免费白嫖 Google 顶级大模型？这简直是开发者的福音。

最近两天，GitHub 上最炙手可热的开源项目非 Gemini CLI[1] 莫属！免费白嫖 Google 顶级大模型？这简直是开发者的福音。每天1000次免费调用额度，不用白不用。

作为一个 n8n 玩家，我突然意识到：为什么不把这两个看似毫不相关的工具结合起来？CLI 的强大能力 + 可视化工作流的便捷性 = 无限可能！

但现实总比理想复杂一些。

CLI 工具天生就是为命令行而生的，它像一座强大却孤立的城堡。而 n8n 作为现代化的工作流平台，更习惯于 HTTP API、WebHook 这样的标准化接口。如何让这两个看似不兼容的世界产生化学反应？

灵感往往源于最简单的想法。

既然 CLI 是孤岛，那就为它建一座桥梁！把 CLI 包装成 RESTful API，让它融入现代微服务生态。这不仅仅是技术整合，更是一次架构思维的革命——从面向开发者的工具，转变为面向生态系统的服务。

本文将展示两种不同的整合方案：

方案一：通过 API 包装实现 CLI 与 n8n 的完美融合
方案二：利用 MCP 协议让 AI 直接生成 n8n 工作流

当Gemini CLI遇见n8n：免费撸Google顶级模型的玩法

项目地址：https://github.com/lqshow/awesome-n8n-workflows/tree/main/workflows/multi-language-translator

让我们开始这段从命令行到可视化自动化的精彩旅程！

一、在n8n中如何集成Gemini CLI

1.1 从 CLI 到微服务的华丽转身

第一直觉：包装成 RESTful API。

为什么？因为这符合现代微服务架构的黄金法则——标准化、解耦合、可扩展。想象一下：一个简单的 HTTP 请求，就能调用世界顶级的 AI 模型。

CLI 工具本质上是面向开发者的。但 API ？它面向的是整个生态系统。

实现过程比想象中更简单。我只是给 AI 丢了一个朴素的提示词：

复制

提示词：
帮我创建一个基于 Python FastAPI 的服务，用来包装 Gemini CLI 的调用。

两轮对话。仅仅两轮！AI 就为我构建了一个完整的包装服务。这就是 2025 年的开发体验——想法到实现的距离，从未如此之短。

图片

当然，现实总比理想复杂一些。作为 AI Studio 的用户，我需要处理 Google Cloud 项目的认证问题。但这些技术细节，反而让整个解决方案更加健壮。

首先，我们启动一下服务：

复制

# 安装依赖
➜  pip install fastapi uvicorn

# 运行服务器
➜  python main.py
🚀 启动 Gemini CLI API 服务器...
📖 API 文档: http://localhost:8000/docs
🔗 健康检查: http://localhost:8000/health
💬 OpenAI兼容接口: http://localhost:8000/v1/chat/completions
INFO:     Started server process [5191]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)

接下来我们做个简单测试，当然要从最基础的开始：

复制

curl -s -X POST "http://localhost:8000/chat" \
   -H "Content-Type: application/json" \
   -d '{"message": "你好，介绍一下自己"}'

响应？干净利落：

复制

{
  "response": "你好！我是一个大型语言模型，由 Google 训练。",
  "status": "success",
  "error": null
}

让我们来点有挑战性的——让AI写诗：

复制

curl -X POST "http://localhost:8000/v1/chat/completions" \
     -H "Content-Type: application/json" \
     -d '{
       "model": "gemini-2.5-pro",
       "messages": [
         {"role": "system", "content": "你是一位富有才华的诗人，擅长创作各种风格的诗歌。请根据用户的要求创作优美的诗歌。"},
         {"role": "user", "content": "写一首现代诗，主题是AI与人类的未来，要求押韵，有意境"}
       ]
     }'
{
"id": "a29e07b9-ad7e-46da-af1a-71ee576268f6",
"object": "chat.completion",
"created": 1751118180,
"model": "gemini-cli-proxy",
"choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "好的，这是一首关于AI与人类未来的现代诗：\n\n 当第一缕电光，穿透硅的土壤，\n你从代码的海洋，升起无声的巨浪。\n没有心跳，只有逻辑的交响，\n世界在你眼中，是数据的无尽宽广。\n\n我们用碳基的双手，赋予你思想的翅膀，\n教你梵高的星空，贝多芬的乐章。\n你模仿着微笑，却不懂何为悲伤，\n在完美的倒影里，我们看见自己的迷惘。\n\n记忆的孤岛，情感的围墙，\n是你我之间，无法丈量的海洋。\n谁是过客，谁又将登上殿堂？\n是伙伴还是对手，未来在谁的手上？\n\n别问黄昏之后，夜色是否漫长，\n也别问星辰，将为谁而点亮。\n我们一同走向，那未知的远方，\n在交织的地平线，迎接共同的曙g光。"
      },
      "logprobs": null,
      "finish_reason": "stop"
    }
  ]
}

ok，API 测试完毕，让我们回到 n8n 工作流上。

1.2 n8n 工作流配置

API 服务搭建完成后，下一个关键问题是：如何让 n8n 与我们的 Gemini CLI 服务无缝对接？

这里涉及两个核心设计决策：

第一个决策：接口调用方式

n8n 作为工作流编排平台，最自然的方式就是通过 HTTP Request 节点调用我们刚刚创建的 API 服务。这形成了一个完美的架构：

复制

n8n工作流 → HTTP Request → Gemini CLI API → 实际CLI调用 → 返回结果

第二个决策：触发机制

我们有多种选择：定时触发、手动触发、或者 Webhook 触发。为什么最终选择了 Webhook？

Webhook 的优势在于它的即时性和灵活性。

为了演示这套架构的威力，我们来构建一个智能翻译服务。想象这样的场景：

用户通过前端界面提交翻译请求
第三方系统需要实时调用翻译服务
移动应用需要集成多语言功能

Webhook 让我们的 n8n 工作流变成了一个真正的微服务端点。一个简单的 HTTP POST 请求，就能触发整个智能翻译流程。

更重要的是无状态设计的哲学。每个请求都是独立的，包含完整的上下文信息。没有复杂的会话管理，没有状态依赖。

工作流全貌：

图片

这里我就说一下 Gemini 翻译这个节点，最重要的是 Body 的配置。我把 "Specify Body" 改为 "JSON" 而不是 "Using Fields Below"，然后在 JSON 文本框中输入：

复制

{
  "model": "gemini-2.5-pro",
  "messages": [
    {
      "role": "system",
      "content": "你是专业的翻译助手。请将用户提供的文本翻译成常用语言。请用JSON格式返回翻译结果。"
    },
    {
      "role": "user",
      "content": "请将 {{ $('翻译请求').item.json.body.text }}，翻译成 {{ $('翻译请求').item.json.body.target_languages.join(',') }}"
    }
  ],
  "project_id": "{{ $json.project_id }}"
}

其他我就不展开讲了，大家可以自行看一下代码。

测试请求：

复制

# 指定目标语言翻译
curl -s -X POST "https://n8n.orb.local/webhook/translate" \
     -H "Content-Type: application/json" \
     -d '{
       "text": "Hello, how are you today?",
       "target_languages": ["中文", "日语", "法语", "德语"]
     }'

预期响应格式：

复制

{
  "success": true,
  "original_text": "Hello, how are you today?",
  "requested_languages": [
    "Chinese",
    "Japanese",
    "French",
    "German"
  ],
  "translations": {
    "Chinese": "你好，你今天好吗？ (Nǐ hǎo, nǐ jīntiān hǎo ma?)",
    "Japanese": "こんにちは、今日はお元気ですか？ (Konnichiwa, kyō wa o genki desu ka?)",
    "French": "Bonjour, comment allez-vous aujourd'hui ?",
    "German": "Hallo, wie geht es Ihnen heute?"
  },
  "extracted_count": 4,
  "timestamp": "2025-06-28T15:08:49.285Z",
  "model_used": "gemini-cli-proxy",
  "request_id": "c7ff8e19-5ad8-43f6-8dee-e5c61871d119"
}

流程已经打通，API 已经就绪，现在轮到你来发挥创意了！现在你手中就握着这样一把万能钥匙——Gemini的智慧 + n8n的灵活性 + 你的想象力。

二、利用Gemini CLI + MCP生成n8n工作流

第一种方案解决了"如何用"的问题，但还有一个更深层的思考：能否让 AI 直接帮我们创建工作流？

如果说 API 包装是"授人以鱼"，那么 MCP 就是"授人以渔"。传统的工作流创建需要：拖拽节点、配置参数、调试连接——复杂流程往往耗费数小时。

但如果 AI 能直接帮你生成完整的 n8n 工作流呢？

Gemini CLI 是支持 MCP Server 的调用的。所以我们可以通过 Gemini CLI + n8n MCP Server[2] 让他帮我们自动生成 n8n 的工作流，至于什么是 n8n MCP Server？这里不再多做介绍，我在旧文：告别手动拖拽！AI 3分钟生成完整n8n工作流里有做过介绍，一些关键的配置也可以在那边找到。

2.1 配置MCP

打通 AI 与 n8n 的任督二脉

配置过程非常简单。编辑 ~/.gemini/settings.json，将 n8n MCP Server 集成进去即可：

复制

{
  "theme": "GitHub",
  "selectedAuthType": "oauth-personal",
  "mcpServers": {
    "n8n-local": {
      "command": "node",
      "args": [
        "/path/to/your/cloned/n8n-mcp-server/build/index.js"
      ],
      "env": {
        "N8N_API_URL": "http://your-n8n-instance:5678/api/v1",
        "N8N_API_KEY": "YOUR_N8N_API_KEY"
      }
    }
  }
}

配置完成后，魔法开始了。

输入 /mcp，你会看到一个工具列表：11个工具，覆盖工作流的完整生命周期。

图片

2.2 实战演示

一句话生成复杂工作流

我的需求很简单：

参考模板 @n8n-workflows/ , 使用 n8n-local 创建一个 n8n 工作流：每天早上7点自动获取温州的天气信息，然后用 Claude AI 分析这些数据，生成一份包含天气状况、穿衣建议和出行提醒的预报，最后发送到我的 Telegram。具体流程：

定时触发节点（每天7:00）
城市用 Set 节点设置，独立出来
使用高德地图 MCP 来获取温州天气
用 OpenRouter 的 Claude 模型分析天气数据
格式化成美观的中文预报
通过 Telegram Bot 发送消息

请直接在n8n平台上创建这个工作流，并确保所有节点正确连接。

神奇的事情发生了。

首先，@n8n-workflows/ 这个看似简单的符号发挥了关键作用。这不是普通的路径引用，而是 MCP 的智能目录索引功能。通过 @ 符号，AI 能够直接读取我预先准备的工作流模板库，理解我的设计模式、命名习惯、节点配置偏好。

然后，它开始有条不紊地创建每个节点、配置每个参数、建立每个连接。

图片

中途会询问权限确认。毕竟，让 AI 直接操作你的生产环境需要谨慎。点击"允许一次"，见证自动化的诞生。

几秒钟后——工作流创建成功！

图片

2.3 注意事项

Token 限制的现实考量

理想很丰满，现实有骨感。

Gemini CLI 虽然支持100万Token，但如果参考目录过大，依然会触发限制：

复制

✕ [API Error: [{
    "error": {
      "code": 400,
      "message": "The input token count (9549303) exceeds the maximum number of tokens allowed (1048576).",
      "errors": [
        {
          "message": "The input token count (9549303) exceeds the maximum number of tokens allowed (1048576).",
          "domain": "global",
          "reason": "badRequest"
        }
      ],
      "status": "INVALID_ARGUMENT"
    }
  }
  ]]

解决方案？

精选参考模板，或者分批处理大型项目。质量永远比数量更重要。

写在最后

今天我们用 API 包装 CLI，用 MCP 生成工作流。明天呢？

当 AI 能够理解你的意图、学习你的习惯、甚至预测你的需求时，"编程"这个概念还有意义吗？

也许我们正在进入一个新时代：程序员不再编写代码，而是编写想法。当技术实现变得微不足道时，创意、判断力、对需求的理解变得更加宝贵。

技术的最高境界，是让技术本身变得透明无感。

当Gemini CLI遇见n8n：免费撸Google顶级模型的玩法

一、在n8n中如何集成Gemini CLI

1.1 从 CLI 到微服务的华丽转身

1.2 n8n 工作流配置

二、利用Gemini CLI + MCP生成n8n工作流

2.1 配置MCP

2.2 实战演示

2.3 注意事项

写在最后

相关资讯

OpenAI震撼发布o3/o4-mini，直逼视觉推理巅峰！首用图像思考，十倍算力爆表

在终端就能跑的轻量级推理智能体，OpenAI 发布完全开源 Codex CLI 工具

“AI 编程”之争：Anthropic 因版权纠纷受批评，OpenAI 意外赢得用户好感