Gemini Web Automation Skill

Gemini Web Automation

Mission

本 Skill 负责维护 Gemini Runtime。职责包括：

• 将 Prompt 发送给 Gemini 并获取完整回复
• 维护 Gemini Session（登录状态、页面状态、会话状态）
• 在页面变化后恢复 Runtime

除此之外，不承担任何通用浏览器自动化任务。

本 Skill 将 scripts/chat.py 视为 Gemini Runtime API。SKILL.md 负责调度，业务逻辑由 Runtime 实现，Reference 提供设计知识。

---

默认行为

scripts/chat.py 是 Runtime 唯一入口。所有日常任务统一通过它完成。

Agent 不判断是否首次运行，不判断是否已登录，不判断浏览器状态。所有环境检测、Runtime 恢复、登录检查、浏览器管理均由 chat.py 自动处理。

除首次部署和页面维护外，不要绕过 chat.py 直接操作浏览器。

---

Runtime Lifecycle

所有初始化由 chat.py 在内部自动完成，Agent 无感知：

chat.py
  │
  ├── Stage 1: 环境
  │   ├── .env 不存在 → ENV_NOT_FOUND
  │   ├── userdata/ 不存在 → 自动创建
  │   └── 代理不可达 → PROXY_REQUIRED
  │
  ├── Stage 2: Runtime
  │   ├── Chrome 运行中 → CDP 连接
  │   └── 未运行 → 自动启动 Chrome
  │
  ├── Stage 3: 页面
  │   ├── Gemini Tab 存在 → 复用
  │   ├── 未登录 → LOGIN_REQUIRED
  │   └── 不存在 → 打开 Gemini
  │
  └── Stage 4: 对话
      ├── 发送 Prompt
      ├── 等待回复
      └── 返回 JSON

Agent 始终处于 Stage 4 视角：调用 → 等待 → 得到结果。无需要关心前三个阶段。bootstrap.py 仅在 LOGIN_REQUIRED 时作为登录向导执行，它不是初始化脚本。

---

三个入口

---

日常对话（Hot Path）

日常任务默认直接调用 scripts/chat.py。除非发生初始化或页面维护，否则不要运行其它脚本。

scripts/chat.py 返回结构化 JSON。Agent 仅根据 success、reply、error.code、next_action 决定下一步，不解析浏览器内部状态。

执行 scripts/chat.py "提示词"
  │
  ▼
解析返回 JSON
  │
  ├── success: true  → 将 reply 返回给用户
  │
  └── success: false → 按 next_action / error.code 路由

可选参数

错误路由

优先依据 next_action。仅当 next_action 缺失时，根据 error.code 处理。

---

登录向导

仅在收到 LOGIN_REQUIRED 时执行 scripts/bootstrap.py。它会启动 Chrome、打开 Gemini 登录页、等待用户手动登录，确认成功后退出。完成后即可开始日常对话。

---

页面改版

当 Gemini 页面更新导致脚本失效时，执行 scripts/analyze_page.py 分析页面结构，然后参考 references/maintenance.md 更新选择器。

---

Reference

按需读取，不主动加载全部文档。

---

核心原则

1. Runtime API First — 所有日常任务统一通过 scripts/chat.py 完成，Agent 不直接操作浏览器
2. Runtime First — 优先复用已有 Session，仅在必要时冷启动
3. Lifecycle 下沉 — Agent 不判断运行环境，所有状态管理由 Runtime 内部自动完成
4. Fail Fast — 超时立即失败并返回结构化错误；异常时收集截图/HTML/URL，不重试

窗口行为

默认 Chrome 以最小化方式运行在后台，不干扰用户。 需要查看浏览器时加 --headed 参数保持窗口在前台。