MCP协议集成Gemini CLI：如何扩展自定义AI工具链-优快云博客

MCP协议集成Gemini CLI：如何扩展自定义AI工具链

【免费下载链接】gemini-cli An open-source AI agent that brings the power of Gemini directly into your terminal. 项目地址: https://gitcode.com/gh_mirrors/gemi/gemini-cli

引言：突破AI终端工具的边界

在AI驱动开发的浪潮中，开发者常常面临一个困境：如何将复杂的业务逻辑与AI能力无缝整合？Gemini CLI作为一款强大的开源AI终端工具，通过Model Context Protocol（MCP协议）为这一挑战提供了优雅的解决方案。本文将深入探讨如何通过MCP协议扩展Gemini CLI的功能，构建专属于你的自定义AI工具链。

读完本文，你将获得：

MCP协议与Gemini CLI集成的核心架构理解
从零开始构建MCP服务器的完整步骤
多语言MCP服务器实现示例（Python/Node.js/Docker）
高级功能配置与安全最佳实践
常见问题诊断与性能优化指南

MCP协议核心概念与架构

什么是MCP协议？

Model Context Protocol（MCP协议）是一种标准化接口，允许Gemini CLI与外部系统和数据源交互。MCP服务器作为Gemini模型与本地环境或其他服务（如API）之间的桥梁，使Gemini CLI能够：

发现工具：通过标准化模式定义列出可用工具、描述和参数
执行工具：使用定义的参数调用特定工具并接收结构化响应
访问资源：读取特定资源的数据（尽管Gemini CLI主要关注工具执行）

借助MCP服务器，你可以扩展Gemini CLI的能力，使其执行超出内置功能的操作，如与数据库交互、调用API、运行自定义脚本或实现专门的工作流。

核心集成架构

Gemini CLI通过核心包（packages/core/src/tools/）中构建的复杂发现和执行系统与MCP服务器集成：

mermaid

发现层（`mcp-client.ts`）

发现过程由discoverMcpTools()精心编排：

从settings.json的mcpServers配置中迭代配置的服务器
使用适当的传输机制（Stdio、SSE或Streamable HTTP）建立连接
使用MCP协议从每个服务器获取工具定义
对工具模式进行清理和验证，确保与Gemini API兼容
在全局工具注册表中注册工具并解决冲突

执行层（`mcp-tool.ts`）

每个发现的MCP工具都被包装在DiscoveredMCPTool实例中，该实例负责：

基于服务器信任设置和用户偏好处理确认逻辑
通过向MCP服务器发送适当的参数来管理工具执行
处理LLM上下文和用户显示的响应
维护连接状态并处理超时

传输机制

Gemini CLI支持三种MCP传输类型：

Stdio传输：生成子进程并通过标准输入/输出进行通信
SSE传输：连接到服务器发送事件端点
Streamable HTTP传输：使用HTTP流进行通信

构建MCP服务器：从配置到实现

配置MCP服务器

Gemini CLI使用settings.json文件中的mcpServers配置来定位和连接MCP服务器。此配置支持具有不同传输机制的多个服务器。

全局MCP设置（`mcp`）

settings.json中的mcp对象允许你为所有MCP服务器定义全局规则：

mcp.serverCommand（字符串）：启动MCP服务器的全局命令
mcp.allowed（字符串数组）：允许的MCP服务器名称列表。如果设置了此选项，只有此列表中的服务器（与mcpServers对象中的键匹配）才会被连接
mcp.excluded（字符串数组）：要排除的MCP服务器名称列表。此列表中的服务器将不会被连接

示例配置：

{
  "mcp": {
    "allowed": ["my-trusted-server"],
    "excluded": ["experimental-server"]
  }
}

服务器特定配置（`mcpServers`）

mcpServers对象用于定义你希望CLI连接的每个MCP服务器：

{
  "mcpServers": {
    "serverName": {
      "command": "path/to/server",
      "args": ["--arg1", "value1"],
      "env": {
        "API_KEY": "$MY_API_TOKEN"
      },
      "cwd": "./server-directory",
      "timeout": 30000,
      "trust": false
    }
  }
}

配置属性详解

每个服务器配置支持以下属性：

必填项（以下之一）：

command（字符串）：Stdio传输的可执行文件路径
url（字符串）：SSE端点URL（例如："http://localhost:8080/sse"）
httpUrl（字符串）：HTTP流式端点URL

可选项：

args（字符串数组）：Stdio传输的命令行参数
headers（对象）：使用url或httpUrl时的自定义HTTP头
env（对象）：服务器进程的环境变量。值可以使用$VAR_NAME或${VAR_NAME}语法引用环境变量
cwd（字符串）：Stdio传输的工作目录
timeout（数字）：请求超时时间（毫秒），默认：600,000ms = 10分钟
trust（布尔值）：当为true时，绕过此服务器的所有工具调用确认（默认：false）
includeTools（字符串数组）：要从该MCP服务器包含的工具名称列表。指定后，只有此处列出的工具才会从该服务器可用（允许列表行为）。如果未指定，默认启用服务器的所有工具
excludeTools（字符串数组）：要从该MCP服务器排除的工具名称列表。此处列出的工具将无法用于模型，即使服务器公开了它们。注意：excludeTools优先于includeTools——如果工具同时在两个列表中，它将被排除

远程MCP服务器的OAuth支持

Gemini CLI支持使用SSE或HTTP传输的远程MCP服务器的OAuth 2.0认证，实现对需要认证的MCP服务器的安全访问。

自动OAuth发现

对于支持OAuth发现的服务器，你可以省略OAuth配置，让CLI自动发现：

{
  "mcpServers": {
    "discoveredServer": {
      "url": "https://api.example.com/sse"
    }
  }
}

CLI将自动：

检测服务器何时需要OAuth认证（401响应）
从服务器元数据发现OAuth端点
如果支持，执行动态客户端注册
处理OAuth流程和令牌管理

认证流程

连接到启用OAuth的服务器时：

mermaid

浏览器重定向要求：

OAuth认证要求本地机器能够打开Web浏览器进行认证
能够接收http://localhost:7777/oauth/callback上的重定向

不支持的环境：

无浏览器访问的无头环境
无X11转发的远程SSH会话
无浏览器支持的容器化环境

管理OAuth认证

使用/mcp auth命令管理OAuth认证：

# 列出需要认证的服务器
/mcp auth

# 与特定服务器认证
/mcp auth serverName

# 如果令牌过期，重新认证
/mcp auth serverName

多语言MCP服务器实现示例

Python MCP服务器（Stdio）

{
  "mcpServers": {
    "pythonTools": {
      "command": "python",
      "args": ["-m", "my_mcp_server", "--port", "8080"],
      "cwd": "./mcp-servers/python",
      "env": {
        "DATABASE_URL": "$DB_CONNECTION_STRING",
        "API_KEY": "${EXTERNAL_API_KEY}"
      },
      "timeout": 15000
    }
  }
}

对应的Python服务器实现（使用FastAPI）：

from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
import sys
import json
import asyncio

app = FastAPI()

class ToolRequest(BaseModel):
    name: str
    args: dict

class ToolResponse(BaseModel):
    content: list[dict]

# 注册工具
tools = {
    "calculate_sum": {
        "description": "计算两个数字的和",
        "parameters": {
            "type": "object",
            "properties": {
                "a": {"type": "number", "description": "第一个数字"},
                "b": {"type": "number", "description": "第二个数字"}
            },
            "required": ["a", "b"]
        }
    }
}

# MCP协议实现
async def mcp_server():
    # 发送工具定义
    sys.stdout.write(json.dumps({"type": "tools", "tools": tools}) + "\n")
    sys.stdout.flush()
    
    # 处理请求
    while True:
        line = await asyncio.get_event_loop().run_in_executor(None, sys.stdin.readline)
        if not line:
            break
            
        try:
            request = json.loads(line)
            if request["type"] == "call":
                tool_name = request["name"]
                args = request["args"]
                
                if tool_name == "calculate_sum":
                    result = args["a"] + args["b"]
                    response = {
                        "type": "result",
                        "content": [{"type": "text", "text": f"The sum is {result}"}]
                    }
                    sys.stdout.write(json.dumps(response) + "\n")
                    sys.stdout.flush()
        except Exception as e:
            error_response = {
                "type": "error",
                "message": str(e)
            }
            sys.stdout.write(json.dumps(error_response) + "\n")
            sys.stdout.flush()

if __name__ == "__main__":
    asyncio.run(mcp_server())

Node.js MCP服务器（Stdio）

{
  "mcpServers": {
    "nodeServer": {
      "command": "node",
      "args": ["dist/server.js", "--verbose"],
      "cwd": "./mcp-servers/node",
      "trust": true
    }
  }
}

对应的Node.js服务器实现：

import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { z } from 'zod';

const server = new McpServer({
  name: 'node-mcp-server',
  version: '1.0.0',
});

// 注册工具
server.registerTool(
  'file_analyzer',
  {
    description: '分析文件内容并返回统计信息',
    parameters: z.object({
      path: z.string().describe('要分析的文件路径'),
      depth: z.number().optional().describe('分析深度，默认为1'),
    }),
  },
  async ({ path, depth = 1 }) => {
    // 实现文件分析逻辑
    const stats = {
      path,
      depth,
      lines: 42,
      words: 256,
      chars: 1500,
      analysis: "文件包含JSON格式数据，包含用户信息和交易记录"
    };
    
    return {
      content: [
        { type: "text", text: `文件分析结果: ${JSON.stringify(stats, null, 2)}` }
      ]
    };
  }
);

// 注册提示作为斜杠命令
server.registerPrompt(
  'code-review',
  {
    title: '代码审查助手',
    description: '对指定代码进行质量审查并提供改进建议',
    argsSchema: { file: z.string(), focus: z.string().optional() },
  },
  ({ file, focus }) => ({
    messages: [
      {
        role: 'user',
        content: {
          type: 'text',
          text: `请审查文件 ${file} 的代码质量。${focus ? `重点关注: ${focus}` : ''} 
                 提供代码风格、性能、安全性和可维护性方面的改进建议。`,
        },
      },
    ],
  }),
);

const transport = new StdioServerTransport();
await server.connect(transport);
console.log('MCP server running...');

Docker化MCP服务器

{
  "mcpServers": {
    "dockerizedServer": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "-e",
        "API_KEY",
        "-v",
        "${PWD}:/workspace",
        "my-mcp-server:latest"
      ],
      "env": {
        "API_KEY": "$EXTERNAL_SERVICE_TOKEN"
      }
    }
  }
}

Dockerfile示例：

FROM node:18-alpine

WORKDIR /app

COPY package*.json ./
RUN npm ci --only=production

COPY dist ./dist

# 非root用户运行
USER node

ENTRYPOINT ["node", "dist/server.js"]

MCP服务器发现与执行流程深度解析

发现过程详解

当Gemini CLI启动时，它通过以下详细过程执行MCP服务器发现：

1. 服务器迭代与连接

对于mcpServers中的每个配置服务器：

状态跟踪开始：服务器状态设置为CONNECTING
传输选择：基于配置属性：
- httpUrl → StreamableHTTPClientTransport
- url → SSEClientTransport
- command → StdioClientTransport
连接建立：MCP客户端尝试使用配置的超时连接
错误处理：连接失败被记录，服务器状态设置为DISCONNECTED

2. 工具发现

成功连接后：

工具列表：客户端调用MCP服务器的工具列表端点
模式验证：每个工具的函数声明被验证
工具过滤：基于includeTools和excludeTools配置过滤工具
名称清理：工具名称被清理以满足Gemini API要求：
- 无效字符（非字母数字、下划线、点、连字符）被替换为下划线
- 超过63个字符的名称通过中间替换（___）被截断

3. 冲突解决

当多个服务器公开同名工具时：

首次注册获胜：第一个注册工具名称的服务器获得无前缀名称
自动前缀：后续服务器获得前缀名称：serverName__toolName
注册表跟踪：工具注册表维护服务器名称与其工具之间的映射

4. 模式处理

工具参数模式经过清理以实现Gemini API兼容性：

移除$schema属性
剥离additionalProperties
具有default的anyOf移除其默认值（Vertex AI兼容性）
递归处理应用于嵌套模式

5. 连接管理

发现后：

持久连接：成功注册工具的服务器保持连接
清理：未提供可用工具的服务器关闭连接
状态更新：最终服务器状态设置为CONNECTED或DISCONNECTED

工具执行流程

当Gemini模型决定使用MCP工具时，会发生以下执行流程：

1. 工具调用

模型生成带有以下内容的FunctionCall：

工具名称：注册的名称（可能带有前缀）
参数：与工具参数模式匹配的JSON对象

2. 确认过程

每个DiscoveredMCPTool实现复杂的确认逻辑：

基于信任的绕过：

if (this.trust) {
  return false; // 无需确认
}

动态允许列表：系统维护内部允许列表：

服务器级别：serverName → 来自此服务器的所有工具都受信任
工具级别：serverName.toolName → 此特定工具受信任

用户选择处理：需要确认时，用户可以选择：

仅执行一次：仅此次执行
始终允许此工具：添加到工具级允许列表
始终允许此服务器：添加到服务器级允许列表
取消：中止执行

3. 执行

确认（或信任绕过）后：

参数准备：根据工具模式验证参数

MCP调用：基础CallableTool使用以下代码调用MCP服务器：

const functionCalls = [
  {
    name: this.serverToolName, // 原始服务器工具名称
    args: params,
  },
];

响应处理：结果被格式化为LLM上下文和用户显示

4. 响应处理

执行结果包含：

llmContent：语言模型上下文的原始响应部分
returnDisplay：用户显示的格式化输出（通常是markdown代码块中的JSON）

与MCP服务器交互

使用`/mcp`命令

/mcp命令提供有关MCP服务器设置的全面信息：

/mcp

此命令显示：

服务器列表：所有配置的MCP服务器
连接状态：CONNECTED、CONNECTING或DISCONNECTED
服务器详情：配置摘要（不包括敏感数据）
可用工具：每个服务器的工具列表及其描述
发现状态：整体发现过程状态

示例`/mcp`输出

MCP Servers Status:

📡 pythonTools (CONNECTED)
  Command: python -m my_mcp_server --port 8080
  Working Directory: ./mcp-servers/python
  Timeout: 15000ms
  Tools: calculate_sum, file_analyzer, data_processor

🔌 nodeServer (DISCONNECTED)
  Command: node dist/server.js --verbose
  Error: Connection refused

🐳 dockerizedServer (CONNECTED)
  Command: docker run -i --rm -e API_KEY my-mcp-server:latest
  Tools: docker__deploy, docker__status

Discovery State: COMPLETED

工具使用

发现后，MCP工具与内置工具一样可供Gemini模型使用。模型将自动：

根据你的请求选择适当的工具
显示确认对话框（除非服务器受信任）
使用适当的参数执行工具
以用户友好的格式显示结果

高级功能：丰富内容与自定义提示

从工具返回丰富内容

MCP工具不限于返回简单文本。你可以返回丰富的多部分内容，包括文本、图像、音频和其他二进制数据在单个工具响应中。这使你能够构建强大的工具，在单个回合中为模型提供多样化信息。

从工具返回的所有数据都被处理并发送到模型作为其下一代的上下文，使其能够推理或总结所提供的信息。

工作原理

要返回丰富内容，工具的响应必须符合MCP规范中的CallToolResult。结果的content字段应该是ContentBlock对象的数组。Gemini CLI将正确处理此数组，将文本与二进制数据分离并为模型打包。

你可以在content数组中混合和匹配不同的内容块类型。支持的块类型包括：

text：文本内容
image：图像数据（base64编码）
audio：音频数据（base64编码）
resource：嵌入式内容
resource_link：资源链接

示例：返回文本和图像

以下是MCP工具返回文本描述和图像的有效JSON响应示例：

{
  "content": [
    {
      "type": "text",
      "text": "Here is the logo you requested."
    },
    {
      "type": "image",
      "data": "BASE64_ENCODED_IMAGE_DATA_HERE",
      "mimeType": "image/png"
    },
    {
      "type": "text",
      "text": "The logo was created in 2025."
    }
  ]
}

当Gemini CLI收到此响应时，它将：

提取所有文本并将其组合成模型的单个functionResponse部分
将图像数据呈现为单独的inlineData部分
在CLI中提供清晰的用户友好摘要，表明已收到文本和图像

这使你能够构建复杂的工具，为Gemini模型提供丰富的多模态上下文。

MCP提示作为斜杠命令

除了工具外，MCP服务器还可以公开预定义的提示，这些提示可以作为Gemini CLI中的斜杠命令执行。这使你能够为常见或复杂的查询创建快捷方式，可以通过名称轻松调用。

在服务器上定义提示

以下是定义提示的stdio MCP服务器的小示例：

import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { z } from 'zod';

const server = new McpServer({
  name: 'prompt-server',
  version: '1.0.0',
});

server.registerPrompt(
  'poem-writer',
  {
    title: 'Poem Writer',
    description: 'Write a nice haiku',
    argsSchema: { title: z.string(), mood: z.string().optional() },
  },
  ({ title, mood }) => ({
    messages: [
      {
        role: 'user',
        content: {
          type: 'text',
          text: `Write a haiku${mood ? ` with the mood ${mood}` : ''} called ${title}. Note that a haiku is 5 syllables followed by 7 syllables followed by 5 syllables `,
        },
      },
    ],
  }),
);

const transport = new StdioServerTransport();
await server.connect(transport);

可在settings.json的mcpServers中包含：

{
  "mcpServers": {
    "nodeServer": {
      "command": "node",
      "args": ["filename.ts"]
    }
  }
}

调用提示

发现提示后，可以使用其名称作为斜杠命令调用它。CLI将自动处理参数解析。

/poem-writer --title="Gemini CLI" --mood="reverent"

或使用位置参数：

/poem-writer "Gemini CLI" reverent

运行此命令时，Gemini CLI使用提供的参数执行MCP服务器上的prompts/get方法。服务器负责将参数替换到提示模板中并返回最终提示文本。然后CLI将此提示发送到模型执行。这提供了一种方便的方式来自动化和共享常见工作流。

使用`gemini mcp`管理MCP服务器

虽然你始终可以通过手动编辑settings.json文件配置MCP服务器，但Gemini CLI提供了一组方便的命令来以编程方式管理服务器配置。这些命令简化了添加、列出和删除MCP服务器的过程，无需直接编辑JSON文件。

添加服务器（`gemini mcp add`）

add命令在settings.json中配置新的MCP服务器。根据作用域（-s, --scope），它将被添加到用户配置~/.gemini/settings.json或项目配置.gemini/settings.json文件中。

命令：

gemini mcp add [options] <name> <commandOrUrl> [args...]

<name>：服务器的唯一名称。
<commandOrUrl>：要执行的命令（对于stdio）或URL（对于http/sse）。
[args...]：stdio命令的可选参数。

选项（标志）：

-t, --trust：信任服务器，绕过工具确认
-s, --scope <scope>：配置作用域（user或project）
-e, --env <key=value>：设置环境变量（可以多次指定）
-i, --include-tool <tool>：仅包含指定工具（可以多次指定）
-x, --exclude-tool <tool>：排除指定工具（可以多次指定）
-o, --timeout <timeout>：请求超时（毫秒）
-c, --cwd <cwd>：工作目录（仅适用于stdio服务器）
-H, --header <key=value>：设置HTTP头（可以多次指定，仅适用于HTTP/SSE）

示例：

# 添加Python MCP服务器
gemini mcp add pythonTools python -m my_mcp_server --port 8080 \
  -e DATABASE_URL=$DB_CONNECTION_STRING \
  -e API_KEY=${EXTERNAL_API_KEY} \
  -c ./mcp-servers/python \
  -o 15000

# 添加HTTP MCP服务器
gemini mcp add httpServer http://localhost:3000/mcp \
  -H Authorization="Bearer your-api-token" \
  -H X-Custom-Header="custom-value"

列出服务器（`gemini mcp list`）

list命令显示所有配置的MCP服务器及其状态：

gemini mcp list

输出示例：

MCP Servers:
┌────────────────┬─────────────┬────────────────────────────────┬───────────┐
│ Name           │ Type        │ Command/URL                    │ Status    │
├────────────────┼─────────────┼────────────────────────────────┼───────────┤
│ pythonTools    │ stdio       │ python -m my_mcp_server        │ CONNECTED │
│ dockerServer   │ stdio       │ docker run -i --rm my-mcp      │ CONNECTED │
│ httpServer     │ http        │ http://localhost:3000/mcp      │ DISCONNECTED │
└────────────────┴─────────────┴────────────────────────────────┴───────────┘

移除服务器（`gemini mcp remove`）

remove命令从配置中删除MCP服务器：

gemini mcp remove <name>

示例：

gemini mcp remove oldServer

测试服务器连接（`gemini mcp test`）

test命令验证MCP服务器配置并测试连接：

gemini mcp test <name>

输出示例：

Testing connection to "pythonTools"...
✓ Connection successful
✓ Tool discovery completed
✓ 3 tools available: calculate_sum, file_analyzer, data_processor
✓ Server is healthy

Server Info:
Name: pythonTools
Type: stdio
Command: python -m my_mcp_server --port 8080
Working Directory: ./mcp-servers/python
Timeout: 15000ms
Trust: false

状态监控与故障排除

连接状态

MCP集成跟踪多种状态：

服务器状态（`MCPServerStatus`）

DISCONNECTED：服务器未连接或有错误
CONNECTING：连接尝试进行中
CONNECTED：服务器已连接并准备就绪

发现状态（`MCPDiscoveryState`）

NOT_STARTED：发现尚未开始
IN_PROGRESS：正在发现服务器
COMPLETED：发现完成（无论是否有错误）

常见问题与解决方案

服务器无法连接

症状：服务器显示DISCONNECTED状态

故障排除：

检查配置：验证command、args和cwd是否正确
手动测试：直接运行服务器命令以确保其工作
检查依赖项：确保安装了所有必需的包
查看日志：查找CLI输出中的错误消息
验证权限：确保CLI可以执行服务器命令

未发现工具

症状：服务器已连接但没有可用工具

故障排除：

验证工具注册：确保服务器实际注册了工具
检查MCP协议：确认服务器正确实现了MCP工具列表
查看服务器日志：检查服务器端错误的stderr输出
测试工具列表：手动测试服务器的工具发现端点

工具无法执行

症状：工具已发现但执行失败

故障排除：

参数验证：确保工具接受预期的参数
模式兼容性：验证输入模式是否为有效的JSON模式
错误处理：检查工具是否抛出未处理的异常
超时问题：考虑增加timeout设置

沙箱兼容性

症状：启用沙箱时MCP服务器失败

解决方案：

基于Docker的服务器：使用包含所有依赖项的Docker容器
路径可访问性：确保服务器可执行文件在沙箱中可用
网络访问：配置沙箱以允许必要的网络连接
环境变量：验证所需的环境变量是否传递

调试技巧

启用调试模式：使用--debug运行CLI以获取详细输出
检查stderr：MCP服务器stderr被捕获并记录（INFO消息被过滤）
隔离测试：集成前独立测试MCP服务器
增量设置：从简单工具开始，然后添加复杂功能
频繁使用/mcp：开发期间监控服务器状态

重要注意事项

安全考虑

信任设置：trust选项绕过所有确认对话框。谨慎使用，仅适用于你完全控制的服务器
访问令牌：配置包含API密钥或令牌的环境变量时要注意安全
沙箱兼容性：使用沙箱时，确保MCP服务器在沙箱环境中可用
私有数据：使用范围广泛的个人访问令牌可能导致存储库之间的信息泄露

性能和资源管理

连接持久性：CLI保持与成功注册工具的服务器的持久连接
自动清理：关闭不提供工具的服务器连接
超时管理：根据服务器的响应特性配置适当的超时
资源监控：MCP服务器作为单独进程运行并消耗系统资源

模式兼容性

属性剥离：系统自动删除某些模式属性（$schema、additionalProperties）以实现Gemini API兼容性
名称清理：工具名称自动清理以满足API要求
冲突解决：服务器之间的工具名称冲突通过自动前缀解决

这种全面的集成使MCP服务器成为扩展Gemini CLI功能的强大方式，同时保持安全性、可靠性和易用性。

结论：构建你的AI工具生态系统

通过MCP协议与Gemini CLI的集成，开发者获得了一个强大的框架来构建自定义AI工具链。无论是连接到现有服务、创建专用工具还是自动化复杂工作流，MCP协议都提供了标准化、安全且灵活的方式来扩展AI能力。

本文详细介绍了从基础架构到高级功能的各个方面，包括：

MCP协议与Gemini CLI的核心架构与通信流程
多语言MCP服务器实现（Python/Node.js/Docker）
安全认证与权限管理策略
高级功能如富媒体内容返回和自定义提示命令
全面的故障排除与性能优化指南

现在，你已拥有构建自己的MCP服务器所需的知识和工具。无论你是想为特定领域创建专用工具集，还是将Gemini能力集成到现有系统中，MCP协议都为你提供了无限可能。

开始构建你的第一个MCP服务器，释放Gemini CLI的全部潜力，打造真正属于你的AI驱动开发体验！

下一步

探索MCP协议规范了解更多技术细节
查看项目中的示例服务器实现：packages/a2a-server/
通过gemini mcp --help探索更多MCP管理命令
在社区论坛分享你的MCP服务器创意和实现

祝你的AI工具链构建之旅顺利！

【免费下载链接】gemini-cli An open-source AI agent that brings the power of Gemini directly into your terminal. 项目地址: https://gitcode.com/gh_mirrors/gemi/gemini-cli

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

MCP协议集成Gemini CLI：如何扩展自定义AI工具链