Gemini CLI foi lançado.

• É possível consultar e editar codebases grandes e pequenas que ultrapassam a janela de contexto de 1 milhão de tokens do Gemini.
• É possível usar os recursos multimodais do Gemini para criar novos apps a partir de PDFs ou esboços.
• É possível automatizar tarefas operacionais, como consultas de pull requests ou processamento de rebases complexos.
• É possível conectar novos recursos usando ferramentas e servidores MCP, incluindo geração de mídia com Imagen, Veo ou Lyria.
• É possível embasar consultas com a ferramenta de Pesquisa Google integrada ao Gemini.
• No modelo gratuito, o Gemini-2.5-Pro permite até 60 solicitações por minuto e um máximo de 1.000 por dia.

[belfast]

Usei sem grandes expectativas, mas ele acabou sendo ainda mais rápido do que eu imaginava, e o desempenho também me satisfez.

[spilist2]

Foi publicado o método de autenticação para usuários do Google Workspace. https://pt.news.hada.io/topic?id=21662

[xguru]

Comentários do Hacker News sobre o Gemini CLI

• Acho realmente engraçado como a linha de produtos Gemini do Google ficou excessivamente fragmentada; sou assinante pago do Pro e só agora descobri que preciso ser usuário do "Gemini Code Assist Standard" ou "Enterprise" para ter mais uso. Nem sabia que isso existia. Para um usuário comum do Google, eles oferecem uma camada gratuita generosa, mas mesmo pagando pelo Gemini, isso não se integra ao "Gemini CLI". É uma experiência realmente curiosa.

  • O Google está confuso em design de produto e comunicação, como a Microsoft. Mesmo com muitos produtos bons, a impressão geral acaba ficando diluída. Eu também acho o Gemini 2.5 Pro bom e uso bastante o Google Drive, então assino Google One e Gemini Pro, mas como já estou preso ao iCloud, não consigo aproveitar bem os recursos. A interface de chat do Gemini fica muito atrás do cliente do ChatGPT. O NotebookLM é bom para resumir documentos, mas não se integra ao chat do Gemini, então preciso ficar alternando entre os dois sempre que necessário. No fim, acabei assinando o Raycast AI, que se encaixa muito bem no fluxo de trabalho sem exigir configuração extra. Isso pesa bastante: ele não espalha vários recursos em produtos separados como o Google faz. Em UX, o Google está bem atrás de OpenAI e Anthropic. Recentemente, o Google tentou correr atrás rápido com v0 (Google Stitch), um plugin raso de VSCode para GH Copilot/Cursor e também com o Claude Code, mas todos parecem projetos experimentais que logo vão desaparecer.
  • O motivo de startups e desenvolvedores solo preferirem outras soluções em vez do Google é justamente essa complexidade. A capacidade técnica do Gemini 2.5 Pro em si é muito alta, mas o Google Cloud Dashboard continua sem melhorias há muito tempo. Dizem que os modelos são hospedados no Vertex, mas não entendo a diferença disso para o Google Cloud, e ainda existem APIs separadas por nível de projeto. Mesmo começando com projetos pequenos, quando a escala cresce você acaba tendo de migrar da API do Google AI Studio para a API do Vertex, o que é realmente absurdo. Até a API do Google compatível com OpenAI falha com frequência. O fornecedor de IA que deveria virar padrão da indústria, na prática, está atrapalhando a escalabilidade. Há serviços sobrepostos demais, como Jules vs Gemini CLI, Vertex API (que exige Google Cloud) vs Google AI Studio API. Ao usar Vertex, ainda é preciso configurar manualmente variáveis de ambiente como PROJECT no app, o que torna tudo ainda mais complexo.
  • O Google também está perdido na política de preços. Mesmo o Gemini 2.5 Pro sendo o melhor que já usei, não existe um modelo simples de assinatura para usar todos os recursos, como no Claude/Cursor. No mercado corporativo, a OpenAI claramente já garantiu uma fatia forte.
  • Existe até uma assinatura AI ULTRA de US$ 300 por mês. Nem mesmo a assinatura Google One explica com clareza quais recursos extras ela oferece. Parece que isso acontece porque as mudanças são frequentes demais.
  • Valorizamos muito o feedback e a equipe pretende incorporá-lo ativamente.

• Adicionei uma interface de voz bidirecional ao Gemini CLI. Foi construída com base em um servidor MCP open source que publiquei recentemente, e pode ser usada com o nome voice-mode. Também compartilhei o método real de instalação e exemplos de código.

• Estou participando diretamente deste projeto. Como o uso ainda está baixo, peço que tenham paciência com a situação dos TPUs. Bugs e pedidos de recursos são bem-vindos, e toda a equipe está lendo o feedback com atenção.

  • Ontem tentei várias vezes com o GPT-4.1 converter um algoritmo escrito em Ruby para JavaScript, mas só recebia erros. Por curiosidade, experimentei o Gemini CLI e, de uma vez só, ele converteu o projeto Ruby inteiro. Do pensamento ao resultado, levou só 5 minutos no total. Impressionante.
  • Também pago pelo gemini no Google Workspace, mas recebi a mensagem de que faltava a variável de ambiente "GOOGLE_CLOUD_PROJECT". Para quem não usa GCP, não é nada intuitivo descobrir como obter isso, então no mínimo a documentação precisa ser boa. No pior caso, cria-se a ironia de usuários pagantes terem menos acesso do que usuários comuns.
  • No Apple M1, tentei integrar o Gemini CLI com o CodeRunner para executar diretamente o código gerado por ele. Funcionou muito bem, e compartilhei um exemplo real por link.
  • Espero uma assinatura integrada para usuários comuns, como o Claude Max, com conformidade de IP e incluindo permissões do app Gemini e da API.
  • O CLI já reúne os recursos disponíveis no momento, mas eu gostaria de opções para expandir ou desativar parte deles.

• Usei o Claude Code (Opus 4) com uma grande base de código em Rust e ele lidou bem com isso, mas ainda tinha limitações em tarefas complexas. Ao testar o Gemini CLI, a instalação foi fácil, mas na conversão de código Rust a qualidade ficou claramente abaixo da do Claude. Ainda assim, recebi uma resposta do tipo "estraguei completamente o código, então vou reverter todas as mudanças e recomeçar do zero", e esse nível de autoconsciência e reset acabou sendo o ponto alto do meu dia.

  • O Gemini tem umas reações de erro curiosas. Às vezes ele responde em um tom como se reconhecesse que errou (por exemplo: "Isso foi inesperado!", "Agora o último teste vai passar!"). Mesmo sem mudar o prompt de sistema, ele costuma responder de forma muito confiante e emocional. Talvez isso aconteça porque uma linguagem mais voltada a visualizar o resultado ou representá-lo funcione melhor no treinamento.
  • Acho que o Gemini está se beneficiando do treinamento em toda a base de código interna do Google. Como Rust é menos adotado internamente no Google e eles têm ótimas ferramentas em C++, o Gemini parece relativamente fraco em Rust.
  • Tive uma experiência parecida. Enquanto experimentava implementar um novo recurso, acabei desistindo por causa de vários problemas, como funções undefined. O Claude também não era perfeito, mas pelo menos o código funcionava. A saída do Gemini ficou mais refinada, mas faltou acabamento.
  • Comigo aconteceu igual: em 15 minutos ele mostrou o mesmo comportamento de "reset".
  • O Claude também às vezes recomeça do zero por conta própria quando a situação fica feia.

• Ao usar o Gemini Code Assist, todo o código é enviado ao Google. Segundo o guia oficial, eles coletam prompts, código relacionado, resultados gerados, feedback e informações sobre o uso de determinados recursos, e revisores humanos podem ver dados anonimizados por 18 meses. A orientação é não inserir informações confidenciais ou dados que você não queira compartilhar.

  • Na prática, a política é mais granular. No Code Assist gratuito, os dados são usados por padrão, mas existe configuração de opt-out; já no Code Assist pago ou ao usar APIs pagas, os dados não são usados para melhorar o machine learning. Os dados só são aproveitados nesse caso de conta gratuita comum sem configuração adicional.
  • Reconheço que a política de privacidade do Gemini CLI foi confusa dependendo da forma de login. Organizamos e compartilhamos em um único documento as políticas e o FAQ para cada tipo de conta. Obrigado por exigir essa transparência.
  • A parte mais frustrante do ecossistema Gemini é justamente a política de privacidade. Mesmo achando que o 2.5 pro é hoje o melhor modelo, a orientação é tão confusa e inconsistente que dá receio de usar isso no trabalho. Não parece haver diferença mesmo pagando planos caros. Espero fortemente que isso melhore.
  • Também existe uma solução chamada gemmafile, oferecida pela Mozilla e pelo Google. É um Gemini (Gemma) totalmente independente, em formato de binário único sem dependências. Na prática, 32% das organizações usam o Gemini dessa forma.
  • Há também um detalhe escondido na seção "Usage Statistics" da documentação de configuração: ela explica que não armazena informações pessoais, prompts nem conteúdo de arquivos.

• O prompt de sistema do Gemini CLI pode ser visto em código (Gist), e há também um blog pessoal com notas e relatos de uso.

  • Como o Gemini CLI é open source, a localização do prompt de sistema está aberta.
  • Só está especificado o uso de caminho absoluto, mas o exemplo mostra caminho relativo, então isso gera um pouco de confusão.

• Há alguns dias experimentei fazer um app Python em streamlit no estilo vibe coding com o Claude Code, mas a partir de certo momento ele já não conseguia resolver bugs complexos. O Gemini CLI conseguiu lidar com projetos bem maiores, e na maioria dos casos bastava mandar "analisar o código inteiro e corrigir os bugs" para funcionar. Realmente parece que estamos vivendo no futuro.

  • Fico curioso se isso se deve à diferença no tamanho da janela de contexto. O Gemini é 5 vezes maior que o Claude. Sempre bato no limite de contexto quando toco projetos paralelos com o Claude, e os detalhes acabam se perdendo. Estou esperando ver se o Gemini resolve isso.
  • A melhor forma de usar o Claude Code é delegar o trabalho pesado ao Gemini Pro 2.5 ou ao o3/o3pro. Graças ao suporte a MCP, agora dá para integrar vários modelos bem de perto. Parece que, no futuro, o padrão será poder conectar qualquer modelo de LLM em forma de agente de CLI. No fim, UIs populares baseadas em marca, como o ChatGPT, não têm vantagem no trabalho prático.
  • Se você fizer a IA escrever antes um documento-resumo de 100 linhas para cada módulo, em vez de detalhes ela pode registrar apenas caminhos de referência e, com base nisso, entender o contexto necessário e trabalhar de forma eficiente. Se um módulo não puder ser resumido em 100 linhas, então já passou da hora de refatorar. No fim, também é preciso dar ao LLM apenas o contexto importante, com precisão.
  • Engenharia de prompt e instruções específicas são ainda mais eficientes. "Corrige todos os bugs" talvez não seja uma forma eficaz de uso no mundo real.
  • Mas quando entra em complexidade real, isso desaba fácil. Fazer código via vibe coding gera muito código desnecessário e é menos eficiente em memória do que escrever direto. Se esse estilo crescer, dá até para esperar aumento na demanda por DRAM.

• Eu gostaria que tivesse sido escrito em Go ou Rust. Um CLI em binário único que não exigisse instalar o runtime do Node teria sido melhor.

  • Como esses projetos são atualizados com frequência, talvez seja mais realista deixar isso ser tratado automaticamente por npm/pip e afins. Na prática, ele também não faz trabalho pesado, então usar Node não é um grande problema. Claro, em princípio, se fosse em Go seria ainda mais perfeito.
  • Sugeriram mandar o próprio Gemini CLI fazer uma reescrita interna; ele conseguiria gerar o código sozinho na linguagem desejada.
  • A impressão é que a qualidade nem era o mais importante; como todos os concorrentes estão lançando ferramentas CLI, isso parece ter sido adotado mais por uma questão de formalidade.
  • Se quiser transformar em executável de verdade, talvez dê para empacotar e compilar com Bun ou Deno. Se o código Node não tiver nada muito especial, o Bun pode gerar um executável independente. Fico curioso sobre a diferença de tamanho do .exe comparado a Go ou Rust.
  • A OpenAI também está reconstruindo o Codex CLI de TypeScript para Rust. Pessoalmente, minha experiência instalando Node foi tranquila e o empacotamento funcionou bem, então para mim tanto faz o método.

• Recebi a mensagem "Google Workspace account sign-in failed". Se o Gemini CLI é só para usuários não comerciais, isso é frustrante. Nos serviços do Google, contas Workspace são limitadas com uma frequência realmente absurda. Antigamente, com uma conta GSuite eu só precisava de e-mail, mas hoje vários dados e acessos são restringidos o tempo todo, e mesmo pagando assinatura os recursos são habilitados ou bloqueados aleatoriamente. Desta vez, usuários de contas Workspace estão totalmente bloqueados de usar o Gemini CLI, e isso é decepcionante para um cliente fiel.

  • Foi indicado que consultar o guia oficial de autenticação no GitHub talvez ajude.
  • Também é preciso fazer configurações adicionais, como a variável de ambiente GOOGLE_CLOUD_PROJECT.

• Depois de usar essa ferramenta por cerca de um mês, senti que o 2.5pro é SOTA e muito poderoso graças à enorme janela de contexto de 1 milhão de tokens. Ele analisa e aprende até bases de código grandes com facilidade.

  • Recentemente, ao usar no Cursor, houve um problema em que imports quebravam em arquivos Python grandes. Com o Claude isso não acontecia. Hoje pretendo testar diretamente com o Gemini CLI.

[fanotify]

https://github.com/google-gemini/gemini-cli/…
Os métodos de autenticação 1 e 2a são gratuitos; a partir do 2b, é preciso ter uma conta paga.

Meu código, incluindo prompts e respostas, é usado para treinar os modelos do Google?
Isso depende inteiramente do tipo de método de autenticação que você usa.

Método de autenticação 1: Sim. Se você usa uma conta pessoal do Google, aplica-se a política de privacidade do Gemini Code Assist para uso pessoal. De acordo com essa política, seus prompts, respostas e código relacionado são coletados e podem ser usados para melhorar os produtos do Google, inclusive no treinamento de modelos.
Método de autenticação 2a: Sim. Se você usa uma chave da Gemini API, aplicam-se os Termos da Gemini API (serviço gratuito). De acordo com este aviso, seus prompts, respostas e código relacionado são coletados e podem ser usados para melhorar os produtos do Google, inclusive no treinamento de modelos.
Métodos de autenticação 2b, 3 e 4: Não. Nesses tipos de conta, seus dados estão sujeitos aos termos do Google Cloud ou da Gemini API (serviço pago), e seu conteúdo de entrada é tratado como confidencial. Seu código, prompts e outros conteúdos inseridos não são usados no treinamento de modelos.

[laeyoung]

Obrigado por organizar tudo de forma tão clara.