Gemini CLI telah dirilis.

• Dapat mengkueri dan mengedit codebase besar maupun kecil yang melampaui jendela konteks 1 juta token milik Gemini.
• Dapat membuat aplikasi baru dari PDF atau sketsa dengan menggunakan kemampuan multimodal Gemini.
• Dapat mengotomatisasi tugas operasional seperti kueri pull request atau penanganan rebase yang kompleks.
• Dapat menghubungkan fitur baru menggunakan alat dan server MCP, termasuk pembuatan media dengan Imagen, Veo, atau Lyria.
• Dapat meletakkan kueri pada dasar yang jelas dengan alat Google Search yang terintegrasi di Gemini.
• Pada model gratis, permintaan ke model Gemini-2.5-Pro tersedia hingga 60 kali per menit dan maksimum 1.000 kali per hari.

[belfast]

Saya mencobanya tanpa ekspektasi besar, tetapi ternyata lebih cepat dari yang saya kira dan performanya juga memuaskan.

[spilist2]

Saya telah mengunggah metode autentikasi untuk pengguna Google Workspace. https://id.news.hada.io/topic?id=21662

[xguru]

Komentar di Hacker News tentang Gemini CLI

• Menurut saya lucu sekali bagaimana lini produk Gemini Google jadi terlalu terfragmentasi. Saya pelanggan berbayar Pro, dan baru sekarang sadar bahwa untuk pemakaian lebih banyak ternyata harus jadi pengguna "Gemini Code Assist Standard" atau "Enterprise". Saya bahkan tidak tahu itu ada. Untuk pengguna Google biasa ada free tier yang cukup dermawan, tapi ironisnya meski sudah bayar langganan Gemini, tetap tidak terhubung dengan "Gemini CLI". Pengalaman yang benar-benar aneh.

  • Google membingungkan dalam hal desain produk dan messaging, mirip Microsoft. Walau punya banyak produk bagus, kesan keseluruhannya jadi kabur. Saya juga merasa Gemini 2.5 Pro itu bagus, dan karena sering memakai Google Drive saya menggunakan Google One dan Gemini Pro, tapi saya sudah terikat ke iCloud jadi tidak bisa benar-benar menikmati fiturnya. UI chat Gemini jauh tertinggal dibanding klien ChatGPT. NotebookLM bagus untuk merangkum dokumen, tetapi tidak terintegrasi dengan Gemini Chat, jadi harus bolak-balik sesuai kebutuhan. Akhirnya saya berlangganan Raycast AI. Ini menyatu dengan alur kerja tanpa banyak pengaturan. Keunggulan besarnya adalah tidak memecah-mecah fitur seperti Google. Dari sisi UX, Google sekarang tertinggal jauh dari OpenAI dan Anthropic. Belakangan Google mencoba cepat mengejar v0 (Google Stitch), plugin VSCode dangkal untuk GH Copilot/Cursor, dan Claude Code, tetapi semuanya terlihat seperti proyek eksperimen yang akan segera hilang.
  • Alasan startup dan developer solo lebih memilih solusi lain daripada Google adalah kompleksitas ini. Kemampuan teknis Gemini 2.5 Pro sendiri sangat tinggi, tetapi Google Cloud Dashboard sudah lama tidak membaik. Katanya model di-host di Vertex, tetapi saya tidak paham bedanya dengan Google Cloud, dan API-nya pun terpisah di tiap level proyek. Bahkan jika mulai dari proyek kecil, saat skala membesar harus pindah dari Google AI Studio API ke Vertex API, dan itu benar-benar tidak masuk akal. Bahkan Google API yang kompatibel dengan OpenAI juga sering error. Penyedia AI yang seharusnya menjadi standar industri justru menghambat skalabilitas. Ada terlalu banyak layanan yang tumpang tindih seperti Jules vs Gemini CLI, Vertex API (butuh Google Cloud) vs Google AI Studio API. Saat memakai Vertex, aplikasi juga harus disetel manual dengan environment variable seperti PROJECT, jadi makin rumit.
  • Google juga tampak bingung dalam kebijakan harga. Walaupun Gemini 2.5 Pro adalah yang terbaik yang pernah saya pakai, tidak ada model langganan sederhana seperti Claude/Cursor untuk memakai semua fitur. Untuk enterprise, OpenAI jelas punya pangsa yang sangat kuat.
  • Ada juga membership AI ULTRA seharga $300 per bulan. Bahkan pada membership Google One pun tidak dijelaskan dengan jelas fitur tambahan apa yang didapat. Sepertinya ini terjadi karena perubahannya terlalu sering.
  • Kami sangat menghargai feedback, dan tim juga akan secara aktif menindaklanjutinya.

• Saya menambahkan antarmuka suara dua arah ke Gemini CLI. Dibuat berdasarkan server MCP open source dan baru saja saya deploy sendiri. Bisa dipakai dengan nama voice-mode. Saya juga membagikan cara instalasi dan contoh kodenya.

• Saya terlibat langsung dalam proyek ini. Tingkat pemakaiannya masih rendah, jadi mohon maklum soal kondisi TPU. Siapa pun dipersilakan mengajukan bug atau permintaan fitur. Seluruh tim serius membaca feedback.

  • Kemarin saya mencoba berkali-kali dengan GPT-4.1 untuk mengubah algoritme yang ditulis dalam Ruby ke JavaScript, tetapi terus error. Karena penasaran saya mencoba Gemini CLI, dan dalam satu kali jalan saja seluruh proyek Ruby berhasil dikonversi. Dari ide sampai hasil cuma butuh 5 menit. Sangat mengesankan.
  • Saya juga membayar gemini lewat Google Workspace, tetapi muncul pesan bahwa "environment variable GOOGLE_CLOUD_PROJECT tidak ada". Bagi kami yang tidak memakai GCP, cara mendapatkan variabel itu sama sekali tidak intuitif, jadi setidaknya dokumentasi harus sangat baik. Dalam skenario terburuk, ada ironi bahwa pengguna berbayar justru aksesnya lebih buruk daripada pengguna biasa.
  • Saya mencoba integrasi di Apple M1 untuk langsung menjalankan kode yang dihasilkan Gemini CLI melalui CodeRunner. Hasilnya bekerja sangat baik. Saya juga membagikan contoh nyatanya lewat tautan.
  • Saya berharap ada langganan terpadu untuk pengguna umum seperti Claude Max, termasuk kepatuhan IP serta akses ke aplikasi Gemini dan API.
  • Saat ini ada sekumpulan fitur yang tersedia di CLI, dan akan bagus jika ada opsi untuk memperluas atau menonaktifkan sebagian di antaranya.

• Saya pernah memakai Claude Code (Opus 4) untuk menangani codebase Rust besar, tetapi untuk tugas rumit tetap ada batasnya. Setelah mencoba Gemini CLI, instalasinya memang mudah, tetapi untuk transformasi kode Rust kualitasnya jelas lebih rendah daripada Claude. Meski begitu, saya mendapat jawaban seperti "saya sudah benar-benar merusak kodenya, jadi saya akan membatalkan semua perubahan dan mulai lagi dari awal", dan justru tingkat kesadaran diri serta reset seperti itu menjadi sorotan terbaik hari ini.

  • Gemini punya respons error yang lucu. Kadang ia menjawab dengan gaya seolah sadar dirinya baru saja salah, misalnya "Itu tidak terduga!" atau "Tes terakhir ini pasti lolos sekarang!". Bahkan tanpa mengubah system prompt, ia biasanya memberi respons yang sangat penuh percaya diri dan emosional. Mungkin kecenderungan ini muncul karena bahasa yang digunakan untuk memvisualisasikan hasil atau menampilkannya lebih efektif saat pelatihan.
  • Menurut saya Gemini mendapat manfaat dari pelatihan atas seluruh codebase internal Google. Rust tidak banyak dipakai di internal Google, dan mereka punya banyak tool C++ yang hebat, jadi mungkin itu sebabnya Gemini relatif lemah di Rust.
  • Saya juga punya pengalaman serupa. Saat bereksperimen mengimplementasikan fitur baru, saya akhirnya menyerah karena berbagai masalah seperti fungsi undefined. Claude juga tidak sempurna, tetapi setidaknya kodenya berjalan. Hasil Gemini tampak lebih rapi, tetapi penyelesaiannya kurang tuntas.
  • Saya juga memakainya dengan cara yang sama, dan dalam 15 menit menunjukkan perilaku "reset" yang sama.
  • Claude juga kadang memulai ulang dari awal sendiri kalau situasinya sudah parah.

• Saat memakai Gemini Code Assist, semua kode dikirim ke Google. Menurut panduan resmi, prompt/kode terkait/hasil generasi/feedback/informasi penggunaan fitur tertentu semuanya dikumpulkan, dan reviewer manusia bisa melihat data yang sudah dianonimkan selama 18 bulan. Panduannya menyebutkan agar tidak memasukkan informasi rahasia atau data yang tidak ingin dibagikan ke orang lain.

  • Dalam praktiknya ada kebijakan yang lebih terperinci. Untuk Code Assist gratis, data memang dipakai secara default, tetapi ada opsi opt-out tersendiri. Jika memakai Code Assist berbayar atau API berbayar, data tidak digunakan untuk peningkatan machine learning. Data hanya dimanfaatkan jika memakai akun gratis biasa tanpa mengubah pengaturan.
  • Saya akui kebijakan privasi Gemini CLI membingungkan tergantung metode login. Saya merangkum kebijakan dan FAQ untuk semua jenis akun dalam satu dokumen dan membagikannya. Terima kasih atas tuntutan terhadap transparansi seperti ini.
  • Bagian paling menjengkelkan dari ekosistem Gemini memang kebijakan privasinya. Walaupun saya menganggap 2.5 pro adalah model terbaik saat ini, panduannya yang sangat membingungkan dan tidak konsisten membuat saya enggan memakainya untuk pekerjaan nyata. Bahkan dengan paket berbayar yang mahal pun tidak terlihat ada perbedaan. Saya sangat berharap ini diperbaiki.
  • Ada juga solusi bernama gemmafile dari Mozilla dan Google. Ini adalah Gemini (Gemma) yang berjalan sepenuhnya mandiri, dalam bentuk single binary tanpa dependensi. Faktanya, 32% organisasi memakai Gemini dengan cara ini.
  • Ada juga informasi yang tersembunyi di bagian "Usage Statistics" pada dokumen konfigurasi. Di situ dijelaskan bahwa data pribadi, prompt, isi file, dan sebagainya tidak disimpan.

• System prompt Gemini CLI bisa dilihat sebagai kode (Gist), dan ada juga blog pribadi terpisah yang merangkum pengalaman penggunaan serta catatan.

  • Karena Gemini CLI itu open source, lokasi system prompt-nya terbuka.
  • Yang tertulis hanya penggunaan absolute path, tetapi contohnya memakai relative path, jadi agak membingungkan.

• Beberapa hari lalu saya membuat aplikasi Python streamlit dengan gaya vibe coding memakai Claude Code, tetapi pada titik tertentu ia tidak lagi bisa menyelesaikan bug yang kompleks. Gemini CLI mampu menangani ukuran proyek yang jauh lebih besar, dan kalau hanya diberi instruksi "analisis seluruh kode dan perbaiki bug", sebagian besar waktu hasilnya berhasil. Rasanya seperti benar-benar hidup di masa depan.

  • Saya penasaran apakah ini karena perbedaan ukuran context window. Gemini 5 kali lebih besar daripada Claude. Saat mengerjakan side project dengan Claude, saya selalu mentok batas konteks dan kehilangan detail. Saya berharap Gemini bisa menyelesaikan ini.
  • Cara terbaik memanfaatkan Claude Code adalah menyerahkan pekerjaan berat ke Gemini Pro 2.5 atau o3/o3pro. Berkat dukungan MCP, sekarang beberapa model bisa dihubungkan dengan erat. Ke depan, sepertinya akan menjadi standar untuk mencolokkan model LLM apa pun dalam bentuk agen CLI. Pada akhirnya UI massal berbasis merek seperti ChatGPT tidak punya keunggulan besar dalam pekerjaan nyata.
  • Jika untuk tiap modul AI diminta lebih dulu membuat dokumen ringkasan 100 baris, lalu hanya menuliskan jalur referensi alih-alih detail, AI bisa memahami konteks yang dibutuhkan dan bekerja lebih efisien. Kalau sebuah modul bahkan tidak bisa diringkas dalam 100 baris, berarti sudah waktunya refactor. Pada akhirnya, kepada LLM pun kita harus memberi konteks penting yang tepat.
  • Prompt engineering dan instruksi yang spesifik justru lebih efisien. "Perbaiki semua bug" mungkin tidak efektif untuk penggunaan yang realistis.
  • Tetapi pada kompleksitas yang benar-benar tinggi, pendekatan ini mudah runtuh. Jika coding dilakukan dengan vibe coding, akan muncul banyak kode berlebih yang tidak perlu dan menjadi lebih boros memori dibanding menulis sendiri. Jika cara ini makin umum ke depan, mungkin permintaan DRAM juga akan meningkat.

• Saya berharap ini ditulis dalam Go atau Rust. CLI single binary yang tidak wajib memasang runtime Node akan lebih baik.

  • Untuk proyek seperti ini pembaruan terjadi sangat sering, jadi mungkin lebih realistis jika ditangani otomatis lewat npm/pip dan semacamnya. Karena sebenarnya tidak melakukan pekerjaan berat, Node juga bukan masalah besar. Meski begitu, secara prinsip rasanya akan lebih sempurna kalau ditulis dalam Go.
  • Ada yang menyarankan untuk meminta Gemini CLI melakukan rewrite mandiri, karena ia bisa menghasilkan kodenya sendiri dalam bahasa yang diinginkan.
  • Sepertinya kualitas bukan hal yang terpenting; karena semua pesaing menonjolkan alat CLI, kesannya ini diadopsi lebih karena formalitas.
  • Jika ingin membuatnya jadi executable sungguhan, mungkin bisa di-build dengan packaging memakai Bun atau Deno. Kalau tidak ada hal aneh pada kode Node-nya, Bun mungkin bisa membuat executable mandiri. Saya penasaran seberapa besar ukuran file .exe-nya dibanding Go atau Rust.
  • OpenAI juga sedang membangun ulang Codex CLI dari TypeScript ke Rust. Secara pribadi pengalaman memasang Node cukup mulus dan packaging-nya juga rapi, jadi bagi saya tidak masalah apa pun metodenya.

• Saya mendapat pesan "login gagal untuk akun Google Workspace". Kalau Gemini CLI memang hanya untuk pengguna nonkomersial, ini cukup membuat kaget. Di layanan Google, akun workspace benar-benar terlalu sering dibatasi secara tidak masuk akal. Dulu dengan akun GSuite saya hanya butuh email, tetapi berbagai data dan aksesibilitas terus dibatasi, dan bahkan kalau sudah berlangganan berbayar pun fitur bisa aktif atau diblokir secara acak. Kali ini bahkan pengguna akun workspace diblokir sepenuhnya dari penggunaan Gemini CLI, dan sebagai pelanggan setia saya merasa kecewa.

  • Mungkin membantu jika melihat panduan autentikasi resmi di GitHub.
  • Diperlukan juga pengaturan tambahan seperti environment variable GOOGLE_CLOUD_PROJECT.

• Setelah memakai alat ini sekitar sebulan, saya merasa 2.5pro adalah SOTA, dan berkat context window besar 1 juta token, kemampuannya benar-benar kuat. Bahkan codebase besar pun bisa dianalisis dan dipelajari dengan mudah.

  • Saat baru-baru ini saya memakainya di Cursor, ada masalah import rusak pada file Python besar. Claude tidak mengalami masalah seperti itu. Hari ini saya berniat mencoba langsung dengan Gemini CLI.

[fanotify]

https://github.com/google-gemini/gemini-cli/…
Metode autentikasi 1 dan 2a gratis, mulai 2b memerlukan akun berbayar.

Apakah kode saya, termasuk prompt dan jawaban, digunakan untuk melatih model Google?
Itu sepenuhnya bergantung pada jenis metode autentikasi yang Anda gunakan.

Metode autentikasi 1: Ya. Jika Anda menggunakan akun Google pribadi, Kebijakan Privasi Gemini Code Assist untuk penggunaan pribadi berlaku. Berdasarkan kebijakan ini, prompt, jawaban, dan kode terkait Anda dikumpulkan, dan dapat digunakan untuk meningkatkan produk Google, termasuk pelatihan model.
Metode autentikasi 2a: Ya, jika Anda menggunakan kunci API Gemini, Persyaratan Layanan Gemini API (layanan gratis) berlaku. Berdasarkan pemberitahuan ini, prompt, jawaban, dan kode terkait Anda dikumpulkan, dan dapat digunakan untuk meningkatkan produk Google, termasuk pelatihan model.
Metode autentikasi 2b, 3, dan 4: Tidak. Untuk akun ini, data Anda tunduk pada Persyaratan Google Cloud atau Gemini API (layanan berbayar), dan input Anda diperlakukan sebagai rahasia. Kode, prompt, dan input lainnya dari Anda tidak digunakan untuk pelatihan model.

[laeyoung]

Terima kasih telah merangkum dan menatanya dengan rapi.