为什么要试 Gemini CLI
我的日常工作有一类固定任务：每季度把从不同系统导出的招聘数据清洗合并，做成给管理层看的分析报告。
以前的流程：
- 手工在 Excel 里处理数据格式
- 用 Python（或者请同事帮忙写）做统计计算
- 手写分析报告
Gemini CLI 的潜力在于：它可以读取整个 CSV/Excel 文件（免费版 100 万 token 上下文），然后你直接用自然语言告诉它做什么。
安装和配置
前提：电脑上装了 Node.js（18 版本以上）。
npm install -g @google/gemini-cli安装完后验证：
gemini --version认证：
gemini auth login会跳出浏览器让你用 Google 账号登录，完成后回到终端。
免费版使用 Gemini 1.5 Flash，够用了。如果要用 Pro 版本，需要配置 API Key：
export GEMINI_API_KEY=你的key基本用法：处理 HR 数据文件
查看文件内容和基本统计：
gemini "这个 CSV 文件里有几列，每列的数据类型是什么，有没有空值？" --file recruitment_data.csv数据清洗：
gemini "这个文件的'招聘渠道'列有很多不一致的写法，比如'BOSS直聘'和'boss直聘'是同一个，帮我统计各渠道的候选人数量，忽略大小写差异" --file recruitment_data.csv生成分析摘要：
gemini "根据这份招聘数据，生成一份 Q4 招聘总结，包括：总投递量、各部门开放职位、平均在招周期、各渠道转化率。用中文写，格式适合粘贴到 PPT。" --file q4_recruitment.csv实际测试：一份 2000 行的招聘数据
测试文件： 全年招聘数据，2147 行，15 列，包含候选人来源、投递日期、面试阶段、录用结果等字段。
任务 1：数据质量检查
gemini "检查这份数据的质量：有哪些列有空值，比例是多少？日期格式是否一致？有没有明显的错误值（比如面试日期早于投递日期）？" --file hr_data.csv用时约 15 秒，找出了：
- 「录用结果」列有 23% 空值（正常，在招中的记录）
- 3 条日期逻辑错误的记录
- 「部门」列有 4 种不同的写法指向同一个部门
任务 2：各渠道转化率分析
gemini "计算各招聘渠道从投递到 offer 的转化率，按转化率降序排列，给出每个渠道的投递量和最终 offer 数" --file hr_data.csv结果准确，和我手工 pivot 的结果一致。
任务 3：生成报告
gemini "根据这份数据，写一份 600 字左右的 Q4 招聘分析报告，包括亮点、问题和建议，用管理层能看懂的语言" --file hr_data.csv生成的报告质量不错，作为初稿直接用，改了约 30%。
坑点
坑 1：不支持直接输出文件。
Gemini CLI 的输出都在终端，要手动复制粘贴。处理结果不能直接「保存为新 CSV」，这点比 Python 脚本麻烦。
解决方法：
gemini "分析结果" --file data.csv > output.txt把输出重定向到文本文件，再手动处理。
坑 2：复杂计算偶尔出错。
让它做「同比增长率」这类跨时间段的计算，有时结果不对，要求它「展示计算过程」来核验。
坑 3：中文文件名路径有时报错。
文件名改成英文或拼音可以解决。
坑 4：大文件响应慢。
2000 行还好（15-20 秒），如果是 10000 行以上，等待时间明显变长。
和 Python 脚本的对比
| 场景 | Gemini CLI | Python 脚本 |
|---|---|---|
| 临时查数 | 快，直接问 | 要写代码，慢 |
| 批量自动化 | 不适合 | 适合 |
| 数据清洗 | 能用，但要核验 | 更可靠 |
| 生成文字报告 | 很适合 | 要单独写报告 |
| 数据安全 | 要注意（联网） | 本地，更安全 |
结论
Gemini CLI 适合「临时、一次性、需要解释性输出」的 HR 数据任务。如果你会用命令行但不会 Python，它能帮你完成以前只能靠求人的数据分析工作。
如果你的数据分析任务高度重复、需要自动化定期跑，还是老老实实写 Python。两者不是替代关系，是互补的。