Gemini API CLI (gemini-api) คือไคลเอนต์บรรทัดคำสั่งโอเพนซอร์สของ Google สำหรับ Gemini API สร้างขึ้นเพื่อเอเจนต์เขียนโค้ดอย่าง Claude Code, Codex, Cursor และ Antigravity ติดตั้งไบนารี Go เพียงตัวเดียว ตั้งค่า GEMINI_API_KEY แล้วเอเจนต์ของคุณก็สร้างรูปภาพ วิดีโอ เสียงพูด และเพลง วิเคราะห์ไฟล์ PDF และไฟล์บันทึกเสียง ถอดเสียงเป็น SRT และเริ่ม Deep Research แบบเบื้องหลังได้
ด้านล่างนี้: การติดตั้ง การยืนยันตัวตน คำสั่งที่เอเจนต์ของคุณจะรัน ความแตกต่างจาก Gemini CLI และวิธีจับคู่กับ Apidog CLI ทุกแฟล็กคัดลอกจาก gemini-api --help ในเวอร์ชัน 0.4.5 ซึ่งเผยแพร่เมื่อวันที่ 30 ตุลาคม 2026
Gemini API CLI คืออะไร?
Gemini API CLI เป็นไคลเอนต์แบบไม่เก็บสถานะ (stateless) ในรูปแบบไบนารีเดียวสำหรับ Interactions API ของ Google แต่ละคำสั่งคือการเรียก HTTP หนึ่งครั้ง: ส่งพรอมป์ต์เข้าไป แล้วได้เส้นทางไฟล์ ข้อความถอดเสียง ผลวิเคราะห์ หรือ ID ของ interaction ออกมา — เป็นเครื่องมือที่เอเจนต์ที่มีอยู่แล้วของคุณเรียกใช้เมื่อเจองานที่ต้องใช้ Gemini
หน้าเอกสารอย่างเป็นทางการของ Google เรียกมันว่า "รีลีสเบต้าโอเพนซอร์สที่พัฒนาควบคู่ไปกับ Interactions API" โค้ดอยู่ที่ google-gemini/gemini-api-cli ภายใต้สัญญาอนุญาต Apache 2.0 และทำงานบน macOS, Linux และ Windows
นี่คือสิ่งที่ gemini-api --help แสดงในเวอร์ชัน 0.4.5 พร้อมโมเดลเริ่มต้นของแต่ละคำสั่ง:
| กลุ่ม | คำสั่ง | หน้าที่ | โมเดลเริ่มต้น |
|---|---|---|---|
| Create | generate |
สร้างข้อความและมัลติโหมด | gemini-3.8-flash |
| Create | image |
สร้างหรือแก้ไขรูปภาพ | gemini-nano-banana-2.1 |
| Create | video |
สร้างและแก้ไขวิดีโอ | gemini-omni-1.1-flash |
| Create |
tts / music
|
เสียงพูดและเพลง | gemini-3.8-flash-tts / lyria-3.5 |
| Understand | analyze |
ถามคำถามเกี่ยวกับ PDF รูปภาพ เสียง วิดีโอ และ URL ของ YouTube | gemini-3.8-flash |
| Understand | transcribe |
แปลงเสียงหรือวิดีโอเป็น md, text, json หรือ srt | gemini-3.5-transcribe |
| Manage | agent |
รันโมเดลหรือ managed agent เช่น Deep Research | กำหนดต่อการรันแต่ละครั้ง |
| Manage | files |
อัปโหลดผ่าน Files API เก็บไว้ 48 ชั่วโมง | ไม่มี |
Gemini API CLI กับ Gemini CLI
ชื่อใกล้กันมาก นี่คือความแตกต่าง Gemini CLI (@google/gemini-cli) เป็นเอเจนต์เขียนโค้ดแบบอินเทอร์แอกทีฟ ซึ่งเป็นทางเลือกแทน Claude Code ที่คุณสนทนาด้วย ส่วน Gemini API CLI (gemini-api) ไม่มีลูปเอเจนต์เลย มันเป็นเครื่องมือที่เอเจนต์ตัวอื่นเป็นคนรัน
| Gemini API CLI | Gemini CLI | |
|---|---|---|
| ไบนารี | gemini-api |
gemini |
| บทบาท | เครื่องมือที่เอเจนต์ของคุณเรียกใช้ | เอเจนต์ที่คุณพูดคุยด้วย |
| เอาต์พุตสื่อ | รูปภาพ วิดีโอ เสียงพูด เพลง ลงดิสก์ | ไม่ใช่จุดเน้นของมัน |
| เหมาะที่สุดสำหรับ | มอบโมเดลของ Gemini ให้ Claude Code, Codex หรือ Cursor | การใช้ Gemini เป็นเอเจนต์เขียนโค้ดของคุณ |
หากคุณทำงานใน Claude Code หรือ Codex และต้องการใช้โมเดลด้านสื่อและงานวิจัยของ Gemini ภายในเวิร์กโฟลว์นั้น ให้ใช้ gemini-api ในรูปแบบเดียวกับ OpenAI CLI เพียงแต่ชี้ไปที่ Google
วิธีติดตั้ง Gemini API CLI
เลือกหนึ่งในสี่วิธีจาก README
macOS และ Linux:
curl -fsSL https://raw.githubusercontent.com/google-gemini/gemini-api-cli/main/scripts/install.sh | bash
Windows (PowerShell):
iwr -useb https://raw.githubusercontent.com/google-gemini/gemini-api-cli/main/scripts/install.ps1 | iex
Go:
go install github.com/google-gemini/gemini-api-cli/cmd/gemini-api@latest
ไบนารีที่คอมไพล์ไว้แล้ว: ดาวน์โหลดไฟล์เก็บถาวรสำหรับแพลตฟอร์มของคุณจาก GitHub Releases ตรวจสอบกับ checksums.txt แล้ววาง gemini-api ไว้ใน PATH ของคุณ เราใช้ไฟล์เก็บถาวร Darwin_arm64 โดย shasum -a 256 -c checksums.txt --ignore-missing แสดงผลเป็น OK
Google เตือนว่าการเปลี่ยนแปลงที่ทำให้ของเดิมพังอาจเกิดขึ้นได้ระหว่างเวอร์ชันไมเนอร์ ดังนั้นควรปักหมุดรีลีสใน CI เอกสารแสดงสคริปต์ติดตั้งโดยวาง GEMINI_VERSION=<release-tag> ไว้ข้างหน้า bash
ตรวจสอบการติดตั้ง:
gemini-api version
# gemini-api 0.4.5
การยืนยันตัวตนของ Gemini API CLI
สร้างคีย์ใน Google AI Studio (คู่มือวิธีขอ Gemini API key ฟรีของเราอธิบายขั้นตอนไว้ทั้งหมด) จากนั้น export คีย์:
export GEMINI_API_KEY="YOUR_API_KEY"
บนเครื่องของคุณเอง เก็บคีย์ไว้แทนได้:
gemini-api configure --api-key "YOUR_API_KEY"
gemini-api whoami
configure จะบันทึกคีย์ลงใน keychain ของระบบปฏิบัติการของคุณ (macOS Keychain, Linux Secret Service หรือ Windows Credential Manager) เพิ่มแฟล็กโกลบอล --no-keyring หากต้องการเก็บไว้ใน ~/.config/gemini-api/config.yaml แทน ส่วน whoami จะแสดงว่าขณะนี้ใช้ข้อมูลรับรองตัวใดและมาจากไหน
เมื่อยังไม่ได้ตั้งค่าคีย์ gemini-api --help จะแสดงข้อความที่ส่งถึงตัวเอเจนต์เองว่า API key "ต้องถูกสร้างด้วยมือโดยผู้ใช้ใน Google AI Studio ให้หยุดและขอให้ผู้ใช้สร้างขึ้นมา" เอเจนต์ของคุณจะถามคุณแทนที่จะตั้งค่าคีย์ด้วยตัวเอง
ดูตัวอย่างทุกการเรียกด้วย --dry-run
--dry-run จะตรวจสอบแฟล็กและแสดงคำขอโดยปิดบังข้อมูลรับรอง โดยไม่มีการเรียกผ่านเครือข่ายและไม่มีการอ่าน keychain ใช้งานได้ก่อนที่คุณจะตั้งค่าคีย์ ซึ่งเป็นวิธีที่เราใช้ตรวจสอบทุกตัวอย่างในบทความนี้
นี่คือตัวอย่าง dry run จริงของงาน Deep Research ที่รันเบื้องหลัง:
ทุกคำสั่งจะ POST ไปที่ https://generativelanguage.googleapis.com/v1beta/interactions เพิ่ม -o json เพื่อให้ได้ JSON หนึ่งออบเจ็กต์ต่อหนึ่งคำขอทาง stdout ซึ่งเอเจนต์สามารถแยกวิเคราะห์ได้ก่อนที่จะใช้โทเคน
คำสั่ง Gemini API CLI ที่เอเจนต์ของคุณจะรัน
สร้างและแก้ไขรูปภาพ
gemini-api image "A friendly robot mascot, soft studio lighting" --out ./assets/mascot.jpg
gemini-api image "Add a winter scarf" -i ./assets/mascot.jpg --out ./assets/mascot-winter.jpg
คำสั่งเกี่ยวกับสื่อจะเขียนไฟล์และแสดงเพียงเส้นทางของไฟล์ ดังนั้นเอเจนต์จะจับค่านั้นด้วย $(...) แล้วทำงานต่อไปได้ image ยังรองรับ --aspect-ratio และ --image-size (512, 1K, 2K หรือ 4K) โมเดลเริ่มต้นคือ Nano Banana 2.1 ดูคู่มือ Nano Banana 2.1 APIของเราเพื่อรู้ว่ามันทำอะไรได้ดี
สร้างวิดีโอ เสียงพูด และเพลง
gemini-api video "A slow camera move through a sunlit workshop" --resolution 1080p --out ./assets/
gemini-api tts "Welcome. Let's build something together." --out ./assets/welcome.wav
gemini-api music "Warm ambient music for a product walkthrough" --out ./assets/
วิดีโอใช้เวลานานกว่า ดังนั้น video จะ polling ให้คุณ ใช้ --async เพื่อรับ operation handle ทันที และ --resume <id> เพื่อกลับมา polling ต่อในภายหลัง --resolution มีค่าเริ่มต้นเป็น 720p
วิเคราะห์ PDF รูปภาพ และ URL ของ YouTube
gemini-api analyze -i product-brief.pdf "What should we build first, and why?" > plan.md
gemini-api analyze -i before.png -i after.png "Summarize the visual design changes"
-i/--input ใช้ซ้ำได้และรองรับเส้นทางไฟล์ในเครื่อง, URI แบบ files/<id> หรือ URL ของ YouTube อินพุตแบบอินไลน์จำกัดที่ประมาณ 14 MB (ขนาดดิบ) สำหรับไฟล์ที่ใหญ่กว่า ให้อัปโหลดครั้งเดียวแล้วนำ URI กลับมาใช้ซ้ำ:
FILE_URI=$(gemini-api files upload interview.mp4 --wait --output-format json --jq '.name')
gemini-api analyze -i "$FILE_URI" "List the key action items with timestamps"
ไฟล์ที่อัปโหลดจะถูกลบหลัง 48 ชั่วโมง
ถอดเสียงจากไฟล์เสียงและวิดีโอ
gemini-api transcribe -i interview.mp4 --format srt --out interview.srt
--format รับค่า md (ค่าเริ่มต้น), text, json หรือ srt เพิ่ม --no-speakers หรือ --no-timestamps เพื่อตัดผู้พูดหรือเวลาออกจากเอาต์พุต
รัน Deep Research ในเบื้องหลัง
ID=$(gemini-api agent run "Research battery recycling approaches and cite sources" \
--agent deep-research-preview-04-2026 --background --jq '.id')
gemini-api agent status "$ID" --stream=false --output-format json
--background จะคืนค่า interaction ID ทันทีแทนที่จะเปิดสตรีมค้างไว้ เอเจนต์จะเก็บ ID นั้นไว้ ไปทำงานอย่างอื่น แล้วกลับมาตรวจสอบด้วย agent status ส่วน agent cancel ใช้หยุดการรัน ผลลัพธ์ help ของ 0.4.5 ยังระบุ deep-research-max-preview-04-2026 และ antigravity-preview-05-2026 เป็น managed agent ด้วย
แฟล็กที่ทำให้ gemini-api ปลอดภัยสำหรับเอเจนต์
นี่คือแฟล็กโกลบอลที่ควรใส่ไว้ในคำสั่งของเอเจนต์คุณ ทั้งหมดมาจาก gemini-api --help-global:
-
--agent-mode(หรือGEMINI_CLI_AGENT_MODE=1): ข้อผิดพลาดแบบ JSON ที่มีโครงสร้างทาง stderr และเอาต์พุต TOON แบบกะทัดรัดทาง stdout -
-o, --output-format:pretty,json,yaml,tableหรือtoon -
-q, --jq: กรองเอาต์พุตแบบอินไลน์ เช่น--jq '.id' -
--no-interactive: ไม่มีพรอมป์ต์หรือฟอร์ม TUI ซึ่งเป็นสิ่งที่เอเจนต์แบบไม่มีหน้าจอ (headless) ต้องการ -
--usage: โครงสร้างคำสั่งทั้งหมดในรูปแบบ KDL ที่เครื่องอ่านได้ -
--schema(ต่อคำสั่ง): JSON Schema สำหรับเพย์โหลด--body
รหัสออก (exit code) บอกเอเจนต์ว่าเกิดอะไรขึ้นโดยไม่ต้องแยกวิเคราะห์ข้อความ: 0 สำเร็จ, 1 ข้อผิดพลาดขณะรันหรือจาก API, 2 ข้อผิดพลาดในการใช้งานหรือการตรวจสอบความถูกต้อง, 3 การยืนยันตัวตน ข้อควรระวังอย่างหนึ่ง: คำสั่งแบบสตรีมมิ่ง (generate, agent run) ต้องใช้ --stream=false ก่อน -o json หรือ --jq จึงจะให้ผลลัพธ์เดียวที่แยกวิเคราะห์ได้
มอบ Gemini API CLI ให้เอเจนต์เขียนโค้ดของคุณ
README ของ Google มีบล็อกให้คัดลอกไปวางใน AGENTS.md, CLAUDE.md หรือ .cursorrules (ตัดมาเฉพาะบางส่วน):
You have access to gemini-api through the shell.
1. Inspect --help or --usage to choose a command, and --schema when building a --body JSON payload.
2. Preview API calls with --dry-run.
3. For JSON output or --jq on streaming commands, pass --stream=false --output-format json.
4. Capture returned file paths and interaction IDs to continue multi-step tasks.
ตรวจสอบให้แน่ใจว่า GEMINI_API_KEY ไปถึงสภาพแวดล้อมของโปรเซสย่อยของเอเจนต์ จากนั้นสั่งงานตามปกติ: "สร้างแลนดิ้งเพจ ใช้ Gemini ทำรูปมาสคอตและเสียงบรรยาย 20 วินาที และเริ่มรัน Deep Research เกี่ยวกับผลิตภัณฑ์คู่แข่ง" เอเจนต์จะเป็นคนเลือกคำสั่งเอง
สิ่งที่มันทำไม่ได้: เสียงหรือวิดีโอแบบเรียลไทม์ ไม่มีการรองรับ WebSocket ดังนั้น Live API จึงยังต้องใช้ GenAI SDK
ทดสอบ API ที่คุณสร้างด้วย Apidog CLI
gemini-api มอบโมเดลของ Gemini ให้เอเจนต์ของคุณ แต่มันไม่รู้อะไรเลยเกี่ยวกับ API ของคุณเอง ไม่ว่าจะเป็น endpoint /summarize หรือ /thumbnail ที่แอปของคุณห่อไว้รอบ Gemini สภาพแวดล้อมต่างๆ ของมัน หรือ assertion ที่พิสูจน์ได้ว่ารีลีสใหม่ไม่ได้ทำให้อะไรพัง นั่นคืองานของ Apidog CLI และเอเจนต์ตัวเดียวกันก็รันทั้งสองอย่างได้
ตั้งค่าเพียงครั้งเดียว:
npm install -g apidog-cli@latest
apidog login --with-token <YOUR_TOKEN>
npx -y skills add https://apidog.com # pick your agent when prompted
จากนั้นสั่งเอเจนต์ด้วยพรอมป์ต์เดียว:
Use gemini-api to dry-run an analyze call on ./docs/sample-invoice.pdf, then run it for real.
Import ./openapi.yaml into Apidog project <id>, create a test case for POST /v1/invoices/extract
that uploads the same PDF and asserts a 200 and a non-empty "total" field, run it against the
staging environment, and summarize any failures.
เอเจนต์จะตรวจสอบคำตอบของ Gemini ด้วย gemini-api จากนั้นอ่าน schema ของ Apidog ก่อนเขียนเพย์โหลด ตรวจสอบความถูกต้อง และสร้างและรันเทสต์เคส:
apidog import --project <id> --format openapi --file ./openapi.yaml
apidog cli-schema get test-case-create
apidog cli-schema validate test-case-create --file case.json
apidog test-case create --project <id> --file case.json
apidog run --test-case <caseId> --project <id> -e <envId> -r cli,json
apidog test-case create --help เตือนถึงกับดักอย่างหนึ่ง: เทสต์เคสต้องมี categoryId ที่ถูกต้อง ดังนั้นให้ลิสต์รายการก่อนด้วย apidog test-case category --project <id> เปลี่ยน -r cli,json เป็น -r junit แล้วบรรทัดเดิมก็รันใน CI ได้ หากคุณใช้ Claude Code เป็นเอเจนต์ เริ่มจาก Apidog CLI ใน Claude Code แพลนฟรีของ Apidog รองรับผู้ใช้สูงสุด 4 คน
คำถามที่พบบ่อย
Gemini API CLI ใช้ฟรีหรือไม่? ตัว CLI เองฟรีและเป็นโอเพนซอร์สภายใต้ Apache 2.0 ทุกการเรียกจะคิดเงินกับ API key ของคุณตามราคา Gemini APIปกติ สำหรับรายละเอียดว่าแพ็กเกจฟรีครอบคลุมอะไรบ้าง ดูคู่มือ Gemini API free tierของเรา
gemini-api เหมือนกับ Gemini CLI ไหม? ไม่เหมือน Gemini CLI เป็นเอเจนต์เขียนโค้ดแบบอินเทอร์แอกทีฟ ส่วน gemini-api เป็นเครื่องมือแบบไม่เก็บสถานะที่เอเจนต์ตัวอื่น สคริปต์ และงานใน CI เรียกใช้เพื่อเข้าถึงโมเดลของ Gemini และ managed agent
ทดสอบคำสั่งโดยไม่มี API key ได้ไหม? ได้ --dry-run จะตรวจสอบคำสั่งและแสดงคำขอแบบตรงทั้งหมดโดยไม่มีการเรียกผ่านเครือข่ายและไม่มีการอ่าน keychain ทุกตัวอย่างในบทความนี้ตรวจสอบด้วยวิธีนั้นบนเวอร์ชัน 0.4.5
จะจัดการไฟล์ที่ใหญ่กว่า 14 MB อย่างไร? รัน gemini-api files upload <file> --wait เก็บค่า files/<id> ที่ได้ และส่งค่านั้นให้ -i ใน analyze, transcribe, generate, image, video หรือ agent run ไฟล์ที่อัปโหลดจะหมดอายุหลัง 48 ชั่วโมง
ควรปักหมุดเวอร์ชันไหม? ควร โดยเฉพาะใน CI Google ระบุว่าการเปลี่ยนแปลงที่ทำให้ของเดิมพังอาจเกิดขึ้นได้ระหว่างเวอร์ชันไมเนอร์ในขณะที่ CLI ยังอยู่ในช่วงเบต้า
Top comments (0)