iflow-mcp_gemini-mcp-server

# Gemini MCP Server > [English Version](README_EN.md) Claude Code에서 Gemini AI를 MCP 서버로 사용할 수 있게 해주는 도구입니다. ## 주요 이점 1. **대용량 파일 분석**: Gemini의 거대한 컨텍스트 윈도우를 활용하여 대용량 파일과 디렉토리를 한 번에 분석 가능 2. **토큰 절약**: 무료로 제공되는 Gemini CLI를 이용해서 Claude Code의 토큰 사용량을 절약하면서도 Claude Code만의 강력한 기능을 활용 가능 3. **간편한 통합**: 기존 Claude Code 워크플로우에 쉽게 통합 가능 이 서버는 로컬에 설치된 `gemini` CLI 도구를 사용하여 작동합니다. ## 사전 요구사항 - Python 3.8+ - [uv](https://github.com/astral-sh/uv) 패키지 매니저 - [Gemini CLI](https://github.com/google-gemini/gemini-cli) CLI 도구 ## 빠른 시작 ### 1. 저장소 클론 ```bash git clone https://github.com/InfolabAI/gemini-cli-mcp.git cd gemini-cli-mcp ``` - uv 설치 uv는 시스템 레벨에 설치해야 합니다 (Python 가상환경과 독립적으로 작동): ```bash # Linux/macOS (권장) curl -LsSf https://astral.sh/uv/install.sh | sh # macOS Homebrew brew install uv # Windows PowerShell powershell -c "irm https://astral.sh/uv/install.ps1 | iex" # 설치 확인 uv --version ``` - 의존성 설치: ```bash uv sync ``` ## Tools - **run_gemini** - Gemini를 이용해서 파일, 디렉토리, URL의 대량 정보를 처리합니다 - 입력: - `prompt` (string): Gemini에 전달할 프롬프트 - `file_dir_url_path` (string): 분석할 파일, 디렉토리 또는 URL 경로 - `working_directory` (string): 작업 디렉토리 (필수) ## Configuration Claude Code에서 사용하려면 MCP 서버 설정을 추가하세요: Linux 의 경우, `~/.claude.json` 파일에 다음 설정을 추가: ```json { "mcpServers": { "gemini": { "command": "uv", "args": [ "--directory", "/path/to/your/project", "run", "python", "/path/to/your/project/gemini_mcp_server.py" ], "env": {} } } } ``` **참고**: `/path/to/your/project/`를 다운받은 git 프로젝트 경로로 변경하세요. ## 개발 - 서버 직접 실행(실행 후, 멈춰있는 것이 정상임) ```bash uv run python gemini_mcp_server.py ``` - 테스트 ```bash uv run python test_gemini_mcp.py ``` - Debugging MCP 서버는 stdio를 통해 통신하므로 디버깅이 어려울 수 있습니다. [MCP Inspector](https://github.com/modelcontextprotocol/inspector) 사용을 권장합니다. - 주의할 점 subprocess.run 을 사용할 때 `shell=True` 옵션을 사용해야 합니다. 이는 MCP 서버 환경에서 쉘을 통해 명령을 실행하기 위함입니다. 이 옵션이 없으면, Gemini CLI 명령 실행 시, 대기 상태…