Google Gemini 从入门到精通实战指南：核心功能、Chrome 实时看屏、桌面端 Antigravity 与多开全解

身边不少朋友听说 Google 的 Gemini 很强，甚至花每个月 20 美元订了 Google AI Pro 会员，结果每天只拿它在网页里写写周报、润色邮件。这就像买了一台性能怪兽，却只坐在车里听调频广播，起码闲置了它八成的能力。

这篇指南从新手起步视角出发，一路覆盖到高阶工程效率玩法。没有晦涩的术语堆叠，所有操作都有具体步骤、截图对照和提示词模板：

1. 基础功能与界面全解：怎么选模型、怎么读几百页大文件、怎么直接解析没有字幕的会议录屏；
2. Google AI Pro 会员权益：花 20 美金后千万别漏掉的四个核心功能；
3. Chrome 实时语音看屏：边聊边看网页的操作方法，以及与自动化 Computer Use 的本质差异；
4. Google 官方桌面端 Antigravity：为什么必须装桌面端，怎么上手，以及怎么用 ParaGravity 优雅多开；
5. 挂载 GitHub Skills 技能包：不用写代码，把 B 站、YouTube、小红书、播客和公众号变成你的私人知识库；
6. 实测案例与复用模板：半小时啃下 40 小时无字幕技术课，以及提取万字播客干货的三段式 Prompt。

1. 入门篇：零门槛掌握 Gemini 核心基础功能

如果你之前只用过早期的 ChatGPT，先建立一个直观印象：Gemini 的突出优势在于极高推理速度、百万级超大上下文窗口，以及原生多模态视觉感知——它不需要先把声音转文字再理解，而是天生能同时看画面、听声音和识别文档排版。

1.1 网页端界面与四大核心功能

打开浏览器访问 gemini.google.com 并登录 Google 账号，聊天界面的核心区域主要分布在以下四处：

① 模型切换器（左上角）

• Flash 模型（如 Gemini Flash）：日常工作主力。最大的特点就是快，敲下回车几乎瞬间就能吐出几千字。写邮件、起草文案、整理会议摘要时默认选它；
• Pro 模型（如 Gemini Pro）：适合“慢工出细活”的场景。遇到长篇代码编写、复杂的数理逻辑推理、或者对比两份合同的漏洞条款时，再切换为 Pro。

② 加号上传按钮（左下角）

点开加号，可以直接从电脑本地拖拽或上传各类文件：

• 文档：PDF、Word、Excel、PPT；
• 多媒体：图片、音频、长视频文件；
• 云端联动：一键关联你 Google Drive 网盘里的已有文件。

③ Deep Research（深度研究）

当你面对一个陌生的领域（比如“2026 年欧洲碳关税政策对出海供应链的最新影响”），点一下输入框下方的 Deep Research：

1. 它不会直接拼凑答案，而是先生成一份结构化的研究大纲与检索计划；
2. 确认大纲后，它会在后台自主检索几十上百个权威网页并综合交叉验证；
3. 数分钟后交付一份数千字、每句话都带有原始网页引用链接的专业调研报告。

④ Canvas（交互画布）

平时让 AI 修改文章最痛苦的一点，是改动第一段时模型会把后面几千字从头到尾重新生成一遍。 开启 Canvas 后，页面变为左右分屏：

• 左侧保持日常对话；
• 右侧呈现类似文档编辑器的纯净文本；
• 你可以用鼠标直接框选某一段话或几个词，下达“语气更委婉一点”或“换成列表形式”，它只会就地修改该片段，其余内容保持不动。

1.2 新手最常用的三大基础实战场景

场景 1：几百页超长 PDF 整本通读（不切碎、不漏要点）

传统 AI 传一本 50 页的文档经常提示“上下文超出上限”，导致很多工具被迫先把文档切碎做向量检索（RAG），极易漏掉跨章节信息。

Gemini 拥有高达 100 万到 200 万 Token 的上下文容量（相当于 150 万汉字，足以整本吞下两套《三体》全集）。

• 实操方法：直接把上百页的英文财报、采购合同或产品手册拖进输入框；
• 实战提示词：

请通读这份 PDF 文件，不要做泛泛的宽泛总结。
请帮我重点排查所有关于【违约赔偿责任】、【押金退还机制】和【管辖法院】的条款。
请输出为 Markdown 表格，包含四列：涉及事项、原文所在页码、核心条款摘抄、潜在风险点解读。

场景 2：直接解析无字幕视频与会议录屏

这是 Gemini 最容易被低估的“杀手级”特性。平时我们开完 Zoom、Teams 录屏或者翻录了技术网课，通常没有字幕，而且讲师一边说话一边在屏幕上展示 PPT、圈画架构图或者演示代码。

如果只用单纯的语音转文字软件（Whisper 类），转出来的全是零散口语，屏幕上的干货代码全丢失了。

• 核心机制：Gemini 具备原生多模态视觉能力。它不是单纯听声音，而是用眼睛逐帧审视视频画面；
• 实战表现：哪怕视频完全静音、没有任何人说话，只要屏幕画面上出现过代码、思维导图或报表数据，它都能完整抄写并梳理成逻辑文档。

场景 3：用 Gems 快速打造专属工作分身

如果你每天都要执行固定的文字处理工作（例如把中长篇笔记改写成小红书风格、或者起草对外商务邮件），完全没必要每次都重复敲一段提示词约束。

• 实操方法：
  1. 点击网页左侧栏的 Gem 管理器（Gems）；
  2. 点击 新建 Gem，命名为“小红书文案改写专家”或“周报提炼助手”；
  3. 将你的排版偏好、受众画像、语气和固定输出格式写进说明中保存；
  4. 以后每次使用只需点开这个 Gem，直接粘贴原始素材，回车即可按既定规范输出。

2. 会员权益篇：Google AI Pro 最值钱的四个功能

每月花费 20 美元开通 Google AI Pro 会员后，除了能使用 Pro 级模型额度，下面这四个权益才是真正拉开生产力差距的重点：

[!TIP] 很多开通了会员的朋友完全不知道包含 Antigravity 桌面端 与 NotebookLM Plus 权益。特别是 NotebookLM 的 Audio Overview 功能，通勤路上戴上耳机听它把几十页干巴论文转化成两位主播绘声绘色的播客对谈，消化知识效率极高。

3. 网页交互黑科技：Chrome 实时语音看屏 vs Computer Use

在 Chrome 网页端，Gemini 提供了一种直观的实时交互方式：Gemini in Chrome 屏幕感知与双向语音。

3.1 它是如何工作的？

当你面对一个全是英文的海外申报系统、复杂的数据看板、或者一整屏报错的控制台，不知道该点哪里时：

实操步骤：

1. 点击 Chrome 右上角的 Gemini 图标（或进入网页端开启语音对话并授权屏幕分享）；
2. 张嘴用中文直接说话，语速随意，中途可随时插话打断；
3. 问它：“你帮我看看现在的屏幕，我想找 API Key 的配置入口，藏在哪个子菜单里？”
4. Gemini 会实时阅读当前页面上的文字、图标和按钮位置，用语音一步一步告诉你去点左侧的哪个折叠菜单。

3.2 实时语音看屏 vs Computer Use（电脑接管）的区别

不少关注 AI 的开发者听过 Claude 或 OpenAI 的 Computer Use（电脑操作接管）功能。两者虽然都在看屏幕解决问题，但逻辑定位截然不同：

4. 桌面端进阶：Google Antigravity 保姆级实操与多开

如果你想让 AI 不仅停留在网页聊天框里，而是真正帮你的电脑干活，那就需要用到桌面端。很多人用语音输入时常把“Antigravity”（反重力）误识别为“反代理”，它其实是 Google 官方推出的桌面端 Agent 工具。

4.1 为什么有了网页版，还要用桌面端？

在网页端对话，AI 给你的只是一段文本，你必须手动新建文件、复制粘贴、重命名。

而在桌面端，你给 Antigravity 指定一个本地文件夹，对它说：“把这个目录里 20 个杂乱的客户录音提取出待办事项，按公司名称分别建立对应子目录，并把总结 Markdown 存进去。”

它会在你本地电脑直接执行建文件夹、读取文件、写文件、运行本地脚本的全套动作，真正解放双手。

4.2 买了 Google AI Pro 后的三步上手方法

第一步：下载并绑定会员账号

1. 访问 antigravity.google 下载对应系统的桌面端客户端；
2. 启动后点击登录，使用购买了 Google AI Pro 的 Google 账号授权，系统会自动打通高级额度。

第二步：搞懂左侧边栏四大核心模块

1. Projects（项目工作区）：指定电脑上的任意本地目录（如 ~/Desktop/AI_Workspace）。设置完成后，该目录对 Agent 开放受控读写；
2. New Conversation（新建对话）：派发任务的工作台。顶部可根据任务体量在 Flash 与 Pro 模型之间自如切换；
3. Scheduled Tasks（定时任务）：配置定时自动跑的任务。例如：“工作日每天早上 8:30 自动抓取 Hacker News 与海外大模型动态，整理成中文 Markdown 晨报存入指定文件夹”；
4. Skills & Customizations（技能与定制）：管理你接入的扩展能力库。

第三步：掌握两个核心效率快捷符号

在聊天框输入内容时，善用这两个符号可以省去大量手动操作：

• 敲击 @ 符号：直接引用本地资源。无需手动拖拽文件，输入 @ 即可唤起文件和目录列表。例如：@季度财报.pdf 请核算第三章的研发支出占比；
• 敲击 / 符号：唤起内置高阶指令系统：
  • /goal：死磕执行模式。面对多步骤大工程（例如“批量清洗 50 个表格并合成一份总报表”），输入 /goal 会让它自动拆解任务、逐步执行并自主验证，不达目的不罢休；
  • /schedule：用自然语言配置周期性自动化闹钟；
  • /browser：让 Agent 自主调用内置浏览器执行在线页面检索与内容提炼。

4.3 账号多开利器：开源神器 ParaGravity 实操

如果你手头有多个 Google 账号（例如个人生活号、工作业务号），或者希望多账号并行跑不同任务以最大化算力额度，默认情况下桌面客户端只能登录单一账号。

社区开源的 ParaGravity 是目前最稳定干净的多开解决方案：

ParaGravity 的核心优势

1. 原生沙箱隔离：不修改官方应用底层二进制代码，每个分身拥有完全独立的应用数据目录，绝无封号风险；
2. 原生应用图标体验：在 macOS 上创建分身后，会自动在“应用程序”目录生成独立的独立 App 图标，支持 Alfred / Spotlight 直接秒开；
3. 继承配置与技能（-i 参数）：新建分身时可以一键继承主账号已装好的 Skills 技能库与环境配置，无需重新折腾。

三步快速上手安装（以 macOS 为例）

打开终端，运行一行安装命令：

curl -fsSL https://raw.githubusercontent.com/edison-land/paragravity/main/install.sh | bash

安装完成后，日常只需熟练使用两条核心指令：

# 1. 创建名为 work 的分身，并自动继承主账号的技能配置，创建完成后立刻启动：
pgrav create work -i --launch

# 2. 列出当前电脑上已存在的所有分身与运行状态：
pgrav list

补充建议：

• 单窗口内并发：在单个 Antigravity 对话中，你可以直接要求它唤起多个 Subagents（子智能体）分别去处理不同的子目录；
• 网页端多开：在 Chrome 浏览器中利用“添加个人资料（Profile）”，即可在不同浏览器窗口中保持多个 Google 账号同时在线。

5. 技能扩展篇：接入 GitHub 官方支持的 Skills 技能库

在社区讨论中，有时大家用语音输入法把“Skills”识别成“撕开”。这里的 Skills 指的是符合统一标准的 Agent 技能扩展包。

5.1 什么是 Skills？它解决了什么痛点？

以往为了抓取 B 站长视频的逐字字幕、从小红书提取无水印图文、或者把音频播客按时间戳切片转文字，新手往往需要自己去配 Python、装依赖、找 Cookie，遇到报错就寸步难行。

现在通过 Agent Skills 标准，开发者已经把具体的操作规则、环境依赖和执行脚本打包成了现成的规范仓库放在 GitHub 上。

5.2 零门槛安装与环境自检

你完全不需要手动敲终端命令安装，直接把 GitHub 技能仓库交给 Antigravity：

1. 打开 Antigravity 桌面端，在工作区新建一个空目录（例如 skills_library）；
2. 将你想要引入的 GitHub 技能库链接发给 Agent，下达以下指令：

请帮我把这个 GitHub 技能库仓库克隆到当前工作目录，
并请自主检查当前系统的 Python / Node 环境，帮我补齐所需的第三方依赖与配置。

接下来，Antigravity 会自主读取仓库里的说明文档（SKILL.md）、检查依赖项、执行本地环境安装，并在配置完毕后向你汇报就绪状态。之后你只需在对话框里发链接，它就能直接调用该技能进行处理。

6. 实测复盘：如何高效消化无字幕音视频

分享两个在真实工作中经过高强度检验的实测案例，附带可直接复用的 Prompt。

案例 1：半小时搞定 24 节（共 40 小时）无字幕内部培训课

背景难题：手头有 24 节共计 40 小时的高密度内部技术培训录屏，完全无字幕。讲师语速极快，并且经常在屏幕上切换代码编辑器敲终端命令、画架构拓扑图。如果靠肉眼硬看做笔记，至少需要两周时间；如果用语音转文字，屏幕上的关键代码与拓扑结构全丢了。

实战做法：

1. 在 Antigravity 桌面端配合本地轻量抽帧脚本，针对 24 节录像快速提取关键帧高清图像序列；
2. 批量交给 Gemini Flash 的原生视觉多模态接口进行并行识图；
3. Flash 模型单张画面的识别与逻辑提炼仅耗时 2 秒左右；
4. 最终成果：半小时内产出 24 篇结构整饬的 Markdown 深度笔记，讲师在屏幕角落敲写的参数、架构图的连线走向全部被完整还原记录。

案例 2：三秒榨干两小时长播客，拒绝流水账总结

平时把长达两小时的 YouTube 访谈或播客录音直接扔给 AI，如果只发一句“帮我总结一下”，往往只能得到一堆大而化之的空洞套话。

想要逼出模型的高阶理解力，使用这套三维度穿透式提示词：

请仔细阅读我提供的这份音视频转录内容，不要提供泛泛的流水账大纲。
请严格按照以下三个维度提炼最具价值的干货内容：

1. 【底层心智模型】：主讲人/访谈对象思考并解决核心问题的底层逻辑是什么？
   请将其总结为一个具象、好记的认知模型，并结合内容通俗阐释。

2. 【最具冲击力的反常识观点】：内容中指出了普通从业者最容易踩入的哪一个认知误区？
   请摘录最有力的一句原话并说明其背后的推演逻辑。

3. 【最小可执行动作清单（MVP）】：如果普通人今天听完立刻想落地改变，
   请提供 2 个今天就能开展的最小可行动作。
   每个动作必须严格包含三项：面临的具体场景、第一步物理动作、预期达成的最小正向反馈。

总结：新手今日 10 分钟落地清单

掌握一套新工具最好的方式不是收藏教程，而是立刻跑通一个微型闭环：

1. 测速度与容量：打开 gemini.google.com，切换至 Flash 模型，挑一份手头最长、最难啃的 PDF 或者一段会议视频，用上面的三段式 Prompt 提炼一次；
2. 体验网页实时领航：在 Chrome 浏览器里唤起实时语音与屏幕共享，找一个满屏英文的网站，开麦让它指导你操作；
3. 启用桌面端：前往 antigravity.google 安装桌面应用，给它指派一个本地目录，开始搭建你的个人专属自动化知识库。