CLI Gemini: Um guia com exemplos práticos

Agora vamos ver como usei o Gemini CLI pra explorar, resolver problemas e implementar mudanças num projeto de código aberto.

Passo 1: Pré-requisitos

Pra começar, instale o Node.js (versão 18 ou superior). Você também pode baixar o instalador que preferir aquiou executar os seguintes comandos bash no seu terminal:

# Download and install nvm:
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.3/install.sh | bash
# in lieu of restarting the shell
\. "$HOME/.nvm/nvm.sh"
# Download and install Node.js:
nvm install 22
# Verify the Node.js version:
node -v # Should print "v22.17.0".
nvm current # Should print "v22.17.0".
# Verify npm version:
npm -v # Should print "10.9.2".

Para configurar seu ambiente para o Gemini CLI:

• Instale o NVM (Node Version Manager) executando o script de instalação oficial.
• Depois, inicialize-o na sua sessão atual do terminal usando source
• Por fim, use o NVM para instalar o Node.js v22 e verifique a instalação usando os comandos ` node -v`, ` nvm current` e ` npm -v `.

Essa configuração garante que seu sistema esteja pronto para rodar o Gemini CLI sem problemas.

Passo 2: Configurando o Gemini CLI 

Agora que temos os pré-requisitos necessários, podemos configurar o Gemini CLI em nosso sistema.

Passo 2.1: Instalar o Gemini CLI

Depois que o Node.js e o npm estiverem instalados e verificados, instale o Gemini CLI executando o seguinte comando no seu terminal:

npx https://github.com/google-gemini/gemini-cli

Ou use npm para executá-lo:

npm install -g @google/gemini-cli
gemini

Depois de instalar o gemini-cli, digite gemini no seu terminal para acessá-lo.

Passo 2.2: Autenticação

Você pode usar sua conta pessoal do Google para se autenticar quando solicitado. Isso vai te dar até 60 solicitações de modelo por minuto e 1.000 solicitações de modelo por dia usando o Gemini.

Neste tutorial, eu fiz a autenticação usando o Login com o Google, mas você também pode usar a chave API (definida como uma variável de ambiente) ou o Vertex AI para autenticação. Para criar uma nova chave API, entre no AI Studio com sua conta do Google e clique em Criar chave API. Você também pode usar uma chave existente de um projeto da nuvem do Google para acessar modelos específicos ou solicitar limites de uso mais altos.

export GEMINI_API_KEY=”Your_API_Key”

Ou crie um arquivo .env

GEMINI_API_KEY=”Your_API_Key”

Você pode usar /auth na caixa de texto para mudar a autenticação quando precisar.

Depois de autenticado, você vai ver uma caixa de texto para interagir com a CLI no seu terminal de graça.

Passo 3: Configurando um projeto no Gemini CLI

Assim que a CLI estiver funcionando, podemos começar a interagir com o Gemini a partir do terminal. Tem duas maneiras de trabalhar num projeto com a CLI.

1. Comece um novo projeto

Para começar um projeto do zero, execute os seguintes comandos:

cd new-project/
gemini

Dentro do CLI, use um prompt para resolver um problema que lhe interesse, por exemplo:

> Write the encoder code for a transformer from scratch.

Esse comando vai criar um novo diretório de projeto e inicializar o Gemini no terminal. Depois, você pode pedir ao Gemini para preencher seu novo diretório com código.

2. Trabalhe com um projeto que já existe

Se você já tem uma base de código, pode trabalhar com ela usando os seguintes comandos:

git clone https://github.com/AashiDutt/Google-Agent-Development-Kit-Demo
cd Google-Agent-Development-Kit-Demo
gemini

Dentro do CLI, use um prompt como:

> Give me a summary of all of the changes made to the codebase today.

Se você estiver trabalhando com uma base de código já existente, seja clonada do GitHub ou já presente na sua máquina local, você pode rodar o Gemini CLI a partir do diretório do projeto.

Ou, depois de abrir o Gemini, você pode colocar o caminho completo para a pasta de código na caixa de texto usando o comando /path para carregar o projeto local manualmente.

Passo 4: Experimentando a CLI do Gemini

Neste tutorial, vamos trabalhar com um projeto que eu já usei pra escrever um tutorial sobre o Kit de Desenvolvimento de Agentes (ADK) do Google. O repositório tá guardado no GitHub. Usando o Gemini CLI, vamos:

1. Explore e entenda a base de código
2. Detectar um bug ou um problema no GitHub ou dentro de um arquivo
3. Refaça o código e crie testes unitários
4. Crie um relatório com as alterações feitas.
5. Visualize a base de código gerando um fluxograma ou um diagrama.

Explorando e entendendo a base de código

Vamos começar pedindo ao Gemini para dar uma olhada e explicar o código-fonte.

Sugestão: Dá uma olhada no diretório atual e conta como é a arquitetura do projeto.

A CLI Gemini mostrou um resumo estruturado, explicando como:

• agents/ contém implementações de agentes individuais
• shared/ define esquemas comuns usados por todos os agentes
• common/ inclui funções utilitárias A2A reutilizáveis para mensagens entre agentes

Isso me ajudou a me orientar sem precisar ler todos os arquivos manualmente.

Analisando e corrigindo um problema no GitHub

Vamos dar uma olhada em algumas questões em aberto do repositório GitHub. Você pode usar a ferramenta /compress para compactar o contexto, substituindo-o por um resumo. Isso nos ajuda a passar mais informações em um contexto de comprimento limitado.

Observação: O Gemini vai pedir pra você confirmar antes de acessar o repositório GitHub. Nesse caso, o repositório é de código aberto.

Prompt: Aqui está uma questão no GitHub: [@search https://github.com/AashiDutt/Google-Agent-Development-Kit-Demo/issues/1]. Analise o código-fonte e sugira um plano de correção em três etapas. Quais arquivos/funções devo modificar?

A Gemini CLI deu uma olhada nessa questão:

• Usei o recurso “ @search ” e recebi um plano de correção em três etapas para o problema no GitHub.
• Em seguida, identificou a causa principal como um erro de serialização JSON.
• Por fim, a Gemini sugeriu mudanças e como lidar com respostas em alguns arquivos.

Depois, a CLI fica esperando o usuário dar o ok para avaliar as mudanças e, se o usuário concordar, ela vai fazer as alterações sugeridas. Escolha a opção para aplicar as alterações sugeridas clicando em“ ” (Aplicar alterações sugeridas) e, em seguida, em “Enter” (Entrar).

A CLI faz alterações em todos os arquivos afetados. Depois que as alterações forem feitas, ele vai mostrar um resumo das mudanças feitas.

Implementando e testando a correção

Vamos implementar e testar as correções sugeridas pela Gemini. Para isso, usei o seguinte prompt e permiti a execução.

Prompt: Escreva um teste de unidade pytest para essa alteração em test_shared.py.

CLI Gemini:

• Insira json.dumps() antes de enviar cargas úteis de tarefas nos arquivos sugeridos anteriormente.
• Depois, criou um test_agents.py, se não existisse, para adicionar testes unitários.
• Por fim, adicionou um novo caso de teste para validar o esquema e a transmissão de mensagens de agentes aninhados.

A CLI gera o arquivo test_agents.py e o executa usando vários scripts de shell. Mas, em um momento, o Gemini entrou num loop repetindo o mesmo erro. Um prompt refinado, uma repetição ou simplesmente usar um modelo diferente via API ajudaria a resolver isso.

Aqui está o novo arquivo que o Gemini criou na pasta do projeto:

Gerando documentação

Agora que fizemos as correções, vamos resumir as alterações feitas e escrevê-las como Markdown em um arquivo .txt .

Para isso, usei o seguinte prompt:

Prompt: Escreva um resumo do bug, da correção e da cobertura do teste. Formate como uma entrada de registro de alterações em “v0.2.0”.

Para salvar o resumo em um documento, usei o seguinte prompt:

Prompt: Salve esse resumo em um arquivo .txt e nomeie-o como resumo.txt

O Gemini CLI usa a ferramenta WriteFile para salvar o arquivo summary.txt no diretório do projeto.

Aqui tá o arquivo summary.txt que o Gemini criou pra esse projeto:

Criando um fluxograma usando o MCP

Essa seção dá continuidade aos experimentos anteriores, onde eu vejo como a CLI do Gemini usa o Protocolo de Contexto do Modelo (MCP) para manter resumos em nível de arquivo e histórico de tarefas entre prompts. Isso dá ao Gemini uma memória de trabalho dentro da sessão. Usando essa função do Gemini, pedi para ele criar um fluxograma do projeto e transformar em uma imagem. 

Aqui está o prompt que usei:

Prompt: Crie um fluxograma que mostre como os agentes se comunicam via A2A e como o main.py coordena o sistema. Dá uma olhada onde o problema rolou e como foi resolvido.

Essa visualização é alimentada pela memória persistente do Gemini, que manteve todo o contexto da nossa correção de bug anterior e da estrutura do agente sem precisar de nenhum reenvio ou dicas de arquivo.

Embora as ferramentas de geração de imagens não estivessem diretamente disponíveis na CLI (elas podem ser acessadas por meio da API), essa visualização foi útil para entender o roteamento do agente. 

Ferramentas CLI Gemini disponíveis 

Algumas ferramentas que o Gemini CLI suporta incluem:

• LerArquivo, GravarArquivo, Editar
• FindFiles, ReadFolder, ReadManyFiles
• Shell, SaveMemory
• GoogleSearch or Search, WebFetch

Essas ferramentas ajudam você a navegar, consultar e modificar grandes bases de código com eficiência.

Pra saber mais sobre o Gemini CLI, recomendo ler a documentação oficial. documentação e a página do GitHub.

Conclusão

Resumindo, esse tutorial mostrou como usar a CLI do Gemini para:

• Entenda a estrutura de uma base de código multiagente
• Corrigir um problema no GitHub
• Gerar testes unitários e documentação em markdown para as alterações.
• Visualizar o fluxo de dados

O Gemini CLI reduziu o tempo que eu normalmente gastaria analisando arquivos e planejando manualmente as correções. Embora o Gemini CLI ainda esteja em fase inicial e possa ocasionalmente parecer lento quando usado via API, ele já está equiparado às capacidades do Claude Code.

Se você é um desenvolvedor querendo adicionar agentes de IA ao seu fluxo de trabalho, dá uma olhada nesta série de tutoriais em quatro partes sobre o Devin:

1. Configuração e primeiro pull request (Parte 1)
2. Enviando uma fatia vertical com Devin (Parte 2) 
3. Integrações, testes e CI/CD (Parte 3) 
4. Segurança, implantação, manutenção (Parte 4)