Gemini CLI har rundet 106.594 stjerner på GitHub siden lanceringen i april 2025, og terminalen er blevet et fast redskab for udviklere, der vil have Googles Gemini-modeller ind i deres daglige workflow uden at forlade kommandolinjen. Repoet ligger under organisationen google-gemini, det tæller 14.450 forks, og commit-historikken viser aktivitet helt frem til i dag. Værktøjet er open source under Apache 2.0-licensen, det kører på Node.js 20 eller nyere, og den nyeste version i npm-registret (0.56.0, verificeret i august 2026) understøtter alt fra Model Context Protocol til automatiserede GitHub-actions. I denne guide bygger vi det op fra bunden: installation, autentificering, konfiguration af projektkontekst og et komplet miniprojekt, du kan teste med det samme.

Hvad er Gemini CLI, og hvorfor er det relevant i 2026?

Gemini CLI er en agent, der kører direkte i terminalen og kan læse din kode, redigere filer, køre shell-kommandoer og hente kontekst fra eksterne værktøjer via MCP-servere. Google beskriver det som en åben implementering, der bringer Gemini-modellerne direkte ind i terminalen med lav adgangstærskel og et gratis niveau, der er markant mere generøst end de fleste konkurrerende terminal-agenter. Projektet blev skrevet i TypeScript, og det er stadig under aktiv udvikling, hvilket betyder, at nye funktioner dukker op med jævne mellemrum, og gamle kommandoer kan ændre syntaks fra release til release.

For danske og nordiske udviklerteams betyder det noget helt konkret. Mange virksomheder her har allerede Google Workspace eller Google Cloud i deres stak, og Gemini CLI kobler direkte på den samme konto uden ekstra licensaftaler eller indkøbsproces. Kombinationen af stort kontekstvindue, native MCP-support og et gratis spor gør det til et naturligt førstevalg, når teams vil teste agentbaseret udvikling uden at binde sig til et betalt abonnement fra dag ét. Det gælder især konsulenthuse og mindre softwarehuse, der arbejder på tværs af flere kundeprojekter og ikke ønsker at betale for endnu et abonnement pr. udvikler.

Danske offentlige institutioner og virksomheder med skærpede krav til databehandling bør dog stadig undersøge, hvor data faktisk behandles, når de vælger mellem Google-konto-login og en Vertex AI-opsætning bundet til en specifik EU-region. Vælger I Vertex AI, kan I sætte GOOGLE_CLOUD_LOCATION til en europæisk region som europe-west4, hvilket kan være relevant, hvis jeres interne retningslinjer stiller krav til, hvor kildekode og prompts forlader landet fra.

Værktøjet konkurrerer direkte med Anthropics Claude Code og OpenAIs Codex CLI. Alle tre løser i bund og grund det samme problem: en AI-agent, der kan operere selvstændigt i din terminal i stedet for kun at foreslå kodestykker i en chatboks. Forskellen ligger i licensmodel, kontekststørrelse og hvor tæt værktøjet sidder på resten af din cloud-infrastruktur. Vi går i dybden med den sammenligning længere nede i artiklen, men kort fortalt vinder Gemini CLI på pris og kontekststørrelse, mens konkurrenterne ofte fremhæves for finere kodekvalitet i komplekse, flertrins-opgaver.

En anden faktor, der ofte overses i den slags sammenligninger, er hvor let et team kan skifte værktøj, hvis behovene ændrer sig. Fordi Gemini CLI er open source under Apache 2.0, kan I frit fork’e projektet, tilpasse det til jeres egne interne systemer, eller bygge videre på det uden at spørge om lov først. Det står i kontrast til lukkede alternativer, hvor du er afhængig af leverandørens roadmap, hvis du mangler en specifik funktion i dit workflow.

Det er værd at nævne, at Gemini CLI ikke kun er et kommandolinjeværktøj til enkeltpersoner. Google har bygget en officiel GitHub Action ovenpå det samme fundament, så teams kan lade agenten køre automatiske kodegennemgange på hver pull request. Det gør værktøjet relevant både for den enkelte udvikler, der vil skrive kode hurtigere, og for teams, der vil bygge automatiserede kvalitetstjek ind i deres CI/CD-pipeline.

Historisk set har terminal-baserede AI-agenter haft et ry for at være svære at sætte op og endnu sværere at stole på. Gemini CLI adskiller sig ved at pakke hele opsætningen ind i et enkelt npm-modul, så du slipper for at klone repositories, kompilere binærfiler eller håndtere afhængigheder manuelt. Den lave friktion er sandsynligvis en del af forklaringen på, hvorfor projektet har samlet så mange stjerner på GitHub på relativt kort tid siden det blev offentliggjort i april 2025.

Forudsætninger: Det skal du bruge, før du starter

Før du installerer noget, skal miljøet være på plads. Gemini CLI er pakket som et npm-modul, så hele opsætningen hænger på en fungerende Node.js-installation. Mangler du Node.js helt, er den letteste vej at installere en versionshåndtering som nvm, så du let kan skifte mellem versioner senere uden at rode med systemets globale Node-installation. Her er de nøjagtige krav, verificeret direkte fra pakkens metadata i npm-registret:

KravMinimumAnbefalet
Node.jsVersion 20Seneste LTS-version
npmMedfølger Node.jsOpdateret via npm install -g npm
OperativsystemmacOS, Linux eller WindowsmacOS/Linux for fuld shell-integration
Google-kontoValgfri, men anbefaletGoogle-konto med adgang til AI Studio
TerminalBash, zsh eller PowerShellzsh eller bash med tilpasset profil
DiskpladsUnder 200 MB til CLI’en selvEkstra plads afhænger af dine projekter

Tjek din Node-version, før du går videre:

node -v
npm -v

Output ser typisk sådan ud på en opdateret maskine:

v22.14.0
10.9.2

Hvis node -v viser noget under v20, skal du opgradere først. På macOS og Linux er nvm den enkleste vej, på Windows kan du hente den nyeste LTS-installer direkte fra Node.js’ officielle download-side. Kør ikke resten af denne guide på en for gammel Node-version, for installationen fejler stille, og fejlbeskeden peger sjældent direkte på Node som årsagen.

Trin 1-3: Installer Gemini CLI

Du har tre veje ind, afhængigt af om du vil have værktøjet globalt, kun midlertidigt, eller direkte fra hovedgrenen på GitHub til test af nye funktioner. De fleste udviklere lander på den globale installation, fordi den giver kommandoen gemini permanent adgang fra enhver mappe på systemet.

Trin 1: Global installation via npm

Den mest almindelige metode installerer CLI’en globalt:

npm install -g @google/gemini-cli

Kommandoen henter pakken, installerer den globalt og linker binærfilen ind i din PATH. Det tager typisk under et minut på en almindelig bredbåndsforbindelse, og du får en kort liste af afhængigheder skrevet ud i terminalen undervejs.

Trin 2: Kør uden installation via npx

Vil du bare teste værktøjet uden at installere noget permanent, klarer npx opgaven i én linje:

npx @google/gemini-cli

Det er den bedste metode, hvis du blot vil afprøve agenten på en enkelt maskine eller i en CI-runner, som alligevel bliver smidt væk efter kørslen. Vil du afprøve funktioner, der endnu ikke er udgivet i et stabilt release, kan du køre direkte fra GitHub-hovedgrenen i stedet:

npx https://github.com/google-gemini/gemini-cli

Denne metode bygger værktøjet direkte fra kildekoden i det officielle GitHub-repository, så den er langsommere, men den lader dig teste funktioner, før de rammer et stabilt release.

Trin 3: Verificér din installation

Bekræft, at alt virker, og se hvilken version du kører:

gemini --version
npm view @google/gemini-cli version

Forventet output ligner dette, men tallet ændrer sig løbende, efterhånden som Google udgiver nye versioner:

0.56.0

Den anden kommando viser den nyeste version i npm-registret, så du hurtigt kan se, om din lokale installation halter bagefter. Skriv aldrig et fast versionsnummer ind i et script eller en README-fil. Tjek det i stedet dynamisk, da Google opdaterer pakken ofte, nogle gange flere gange om måneden.

Trin 4-6: Autentificer Gemini CLI

Gemini CLI understøtter tre autentificeringsveje. Valget afhænger af, om du er soloudvikler, arbejder med et team, eller kører værktøjet i en virksomhedskontekst med Google Cloud som fundament.

Trin 4: Log ind med din Google-konto

Den hurtigste vej for de fleste er browser-baseret login. Start CLI’en, og vælg login-metoden i den interaktive prompt:

gemini
# Vælg "Sign in with Google" i menuen, der åbner en browser

Godkend adgangen i browservinduet, og vend tilbage til terminalen, hvor du typisk ser en bekræftelse som denne:

Authenticated as [email protected]
Ready. Type your task or / for commands.

Denne metode passer til gratis-niveauet og kræver ingen ekstra konfiguration, og den er den, vi anbefaler til alle, der bare vil komme hurtigt i gang uden at åbne en cloud-konsol.

Trin 5: Brug en API-nøgle fra Google AI Studio

Foretrækker du en nøglebaseret opsætning, for eksempel i CI-pipelines eller på en delt server, henter du en nøgle i Google AI Studio og sætter den som miljøvariabel:

export GEMINI_API_KEY="din-api-noegle-her"
gemini

Sæt variablen i din shell-profil (.zshrc eller .bashrc), så du slipper for at eksportere den hver gang du åbner en ny terminal. Har du flere projekter med forskellige kvoter, kan det være en god idé at bruge et værktøj som direnv til at skifte nøgle automatisk, når du skifter mappe.

Trin 6: Vertex AI til virksomhedsbrug

Kører din organisation allerede på Google Cloud Vertex AI, kan Gemini CLI autentificere direkte mod jeres projekt, hvilket giver central styring af kvoter, fakturering og adgangsrettigheder. Den mest robuste metode bruger gcloud og Application Default Credentials:

gcloud auth login
gcloud config set project DIT-PROJEKT-ID

export GOOGLE_CLOUD_PROJECT="DIT-PROJEKT-ID"
export GOOGLE_CLOUD_LOCATION="europe-west4"

gemini

Alternativt kan du bruge en service-konto med JSON-nøgle, hvis CLI’en skal køre uden en indlogget bruger, for eksempel i en server-proces eller en Docker-container:

export GOOGLE_APPLICATION_CREDENTIALS="/sti/til/service-konto.json"
export GOOGLE_CLOUD_PROJECT="DIT-PROJEKT-ID"
export GOOGLE_CLOUD_LOCATION="europe-west4"

Husk at give service-kontoen rollen “Vertex AI User”, ellers afviser Google Cloud alle kald med en tilladelsesfejl. En tredje mulighed er en ren Google Cloud API-nøgle, hvor du sætter GOOGLE_API_KEY i stedet, hvis du ikke ønsker at håndtere en JSON-nøglefil på disk.

Trin 7: Din første kommando i terminalen

Med autentificeringen på plads er du klar til at teste værktøjet i praksis. Naviger ind i et eksisterende projekt, og bed Gemini CLI om at forklare koden:

cd mit-projekt
gemini
> Forklar hvad denne kodebase gør, og find de tre filer med mest kompleks logik

Et typisk svar kan se sådan ud, forkortet af pladshensyn:

Analyserer 42 filer i projektet...
Dette er en Express-backend med tre hovedmoduler: auth, orders og payments.
De tre mest komplekse filer er:
1. src/orders/pricing.ts (nested rabatlogik)
2. src/auth/session.ts (token-fornyelse og race conditions)
3. src/payments/webhook.ts (idempotens-håndtering)

CLI’en scanner filerne i mappen, bygger en kontekst og svarer direkte i terminalen. Foreslår den at redigere en fil eller køre en shell-kommando, spørger den om lov først, medmindre du eksplicit har slået den sikkerhed fra. Den godkendelsesbaserede model er bevidst konservativ, så du ikke risikerer utilsigtede ændringer i produktionskode, mens du stadig lærer, hvordan agenten tænker.

Trin 8: Byg projektkontekst med GEMINI.md

Gemini CLI læser en fil ved navn GEMINI.md i roden af dit projekt og bruger den som vedvarende instruktion i hver session. Det er her, du fortæller agenten om jeres kodestandarder, arkitektur og faldgruber, så den ikke gentager de samme spørgsmål session efter session. Uden filen starter agenten på bar bund hver gang, og du ender med at forklare de samme konventioner igen og igen.

# GEMINI.md
## Projektkontekst
Dette er en Node.js-backend med Express og PostgreSQL.

## Regler
- Brug altid async/await, aldrig raw callbacks.
- Alle nye endpoints skal have et tilhørende test-modul.
- Skriv kommentarer og commit-beskeder på engelsk.

## Kendte faldgruber
- Migrations-scriptet i /db/migrations kræver manuel review før merge.

Jo mere præcis filen er, desto færre gange skal du rette agentens output manuelt. Behandl den som en levende fil, du opdaterer, hver gang teamet ændrer konventioner, ligesom en README, men rettet mod en AI-læser i stedet for en menneskelig kollega.

Trin 9: Forbind MCP-servere

En af de største styrker ved Gemini CLI er nativ understøttelse af Model Context Protocol. Det betyder, at agenten kan hente data fra eksterne kilder som søgemaskiner, databaser eller interne API’er, uden at du selv skal skrive integrationskoden. Har du allerede sat MCP-servere op til andre værktøjer, kan du genbruge den samme konfiguration her. Se også vores guide til MCP-server-opsætning for baggrund om protokollen og flere eksempler på servere.

Tilføj en MCP-server til konfigurationen i din projektmappe:

{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "din-github-token"
      }
    }
  }
}

Genstart Gemini CLI, og agenten kan nu hente issues, pull requests og filhistorik direkte fra GitHub, mens den arbejder på din opgave. Du finder flere officielle og community-byggede MCP-servere via Model Context Protocol-projektets hjemmeside, inklusive servere til filsystemer, Slack, Postgres og en lang række andre systemer, teams typisk arbejder med.

Det er en god idé at holde antallet af aktive MCP-servere nede på det, du reelt bruger i den aktuelle opgave. Hver forbundet server tilføjer ekstra kontekst og ventetid til hvert kald, og en projektmappe med ti forbundne servere svarer typisk langsommere end en, der kun har de to eller tre, opgaven faktisk kræver. Fjern eller udkommentér servere, du ikke bruger lige nu, i stedet for at lade konfigurationsfilen vokse ukontrolleret over tid.

Trin 10: Slash-kommandoer og filhenvisninger

Gemini CLI understøtter genveje, der sparer dig for gentagne prompts. Skriv skråstreg efterfulgt af en kommando for at trigge indbyggede funktioner:

  • /help viser en liste over tilgængelige kommandoer og deres syntaks.
  • /clear nulstiller den aktuelle samtalekontekst, hvis agenten er kommet på afveje.
  • /memory viser, hvad agenten aktuelt husker fra GEMINI.md og sessionen.
  • /stats viser hvor mange tokens og kald du har brugt i den aktuelle session.
  • @filnavn.js refererer direkte til en fil, så agenten læser den ind uden at du skal beskrive indholdet.

Kombinationen af filhenvisninger og slash-kommandoer gør interaktionen langt hurtigere, når du arbejder på store kodebaser med mange filer i spil samtidig. Brug /stats aktivt, hvis du er tæt på det gratis niveaus loft, så du ikke bliver overrasket midt i en opgave.

Trin 11: Non-interaktiv tilstand til scripting

Skal Gemini CLI køre som en del af et script eller en pipeline, kan du springe den interaktive prompt over og sende opgaven direkte som argument:

gemini -p "Gennemgå diffen i denne branch og list potentielle sikkerhedsproblemer" --yolo=false

Flaget --yolo styrer, om agenten må udføre handlinger uden at spørge om lov først. Lad det stå på false i CI-miljøer, hvor du ikke ønsker, at værktøjet selv kan skrive til filsystemet uden godkendelse. Denne tilstand er særligt nyttig, når du vil samle output i en logfil eller sende det videre til et andet værktøj i en pipeline.

Trin 12: Automatisér med GitHub Actions

Google har publiceret en officiel GitHub Action, der lader dig køre Gemini CLI direkte i CI/CD. Det er nyttigt til automatiske kodegennemgange på hver pull request, uden at et menneske behøver at trigge det manuelt:

name: Gemini Code Review
on: pull_request

jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: google-github-actions/run-gemini-cli@v1
        with:
          gemini_api_key: ${{ secrets.GEMINI_API_KEY }}
          prompt: "Gennemgå denne pull request og skriv en kort kommentar med forbedringsforslag"

Gem din API-nøgle som en repository secret, aldrig direkte i workflow-filen. På den måde undgår du at lække nøglen, hvis nogen forker dit repository. Vil du begrænse omkostningerne, kan du nøjes med at trigge jobbet på pull requests mod hovedgrenen i stedet for hver eneste commit i en feature-branch.

Trin 13: Byg et komplet miniprojekt

Lad os samle det hele i et konkret eksempel: en lille vejr-CLI i Python, bygget udelukkende gennem samtale med Gemini CLI. Opret en mappe, initialiser et GEMINI.md, og giv agenten opgaven:

mkdir vejr-cli && cd vejr-cli
echo "# GEMINI.md
Byg CLI-værktøjer i Python 3.12 med typehints og pytest-tests." > GEMINI.md

gemini
> Byg en Python-CLI, der tager et bynavn som argument, henter vejrdata fra en gratis API,
> og printer temperatur og vindhastighed. Tilføj tre pytest-tests, der mocker API-kaldet.

Agenten opretter typisk en filstruktur som denne, hvor main.py indeholder selve logikken og test_main.py dækker de vigtigste cases:

vejr-cli/
├── GEMINI.md
├── main.py
├── requirements.txt
└── test_main.py

Kør testene bagefter for at bekræfte, at koden faktisk virker, og ikke bare ser rigtig ud:

python -m venv venv
source venv/bin/activate
pip install -r requirements.txt
pytest -v

Et vellykket testkør ser typisk sådan ud:

test_main.py::test_fetches_temperature PASSED
test_main.py::test_handles_missing_city PASSED
test_main.py::test_formats_output_correctly PASSED

3 passed in 0.38s

Fejler en test, skal du ikke rette den manuelt med det samme. Send fejlbeskeden tilbage til Gemini CLI, og bed den om at rette sin egen kode. Det er ofte hurtigere, og det lærer dig samtidig, hvordan agenten fejlsøger sig selv, når den får konkret feedback i stedet for en ny, bred opgave.

Sikkerhed og tilladelser: Sådan styrer du, hvad agenten må

Gemini CLI bygger på en godkendelsesbaseret model, hvor agenten som standard spørger om lov, før den redigerer filer, sletter noget eller kører shell-kommandoer, der ændrer systemet. Det er en vigtig detalje at forstå, før du sætter værktøjet i produktion, fordi det afgør, hvor meget tillid du reelt giver et program, der kan skrive til dit filsystem.

I praksis betyder det, at du løbende bliver bedt om at godkende hver enkelt handling, medmindre du eksplicit slår godkendelsen fra med et flag som --yolo. Brug den tilstand med omtanke. Den er nyttig til hurtige, afgrænsede opgaver i et isoleret testmiljø, men den bør aldrig stå slået til, når agenten arbejder direkte i et repository med adgang til produktionshemmeligheder eller kundedata.

En god tommelfingerregel er at give agenten adgang til én mappe ad gangen. Start Gemini CLI i den specifikke undermappe, opgaven handler om, i stedet for i roden af et stort monorepo. På den måde begrænser du, hvor meget kontekst og hvor mange filer agenten overhovedet kan røre ved, selv hvis noget går galt undervejs.

Overvej også at køre Gemini CLI inde i en container eller en dedikeret virtuel maskine, hvis opgaven involverer at installere ukendte pakker eller køre scripts fra et repository, du ikke selv har skrevet. Det koster lidt ekstra opsætningstid, men det giver et ekstra lag af isolation, hvis agenten skulle foreslå en kommando, der har utilsigtede sideeffekter på værtsmaskinen. Samme princip gælder, hvis flere personer i teamet deler den samme API-nøgle: log jeres brug centralt, så I hurtigt kan spore, hvilken kørsel der stod bag et uventet højt forbrug.

Overvågning og omkostningsstyring i et team

Så snart mere end én person i teamet bruger Gemini CLI, ændrer regnestykket sig. Det gratis niveaus grænser på 60 kald i minuttet og 1.000 om dagen gælder typisk pr. konto eller pr. projekt, afhængigt af hvordan I har sat autentificeringen op, så fem udviklere, der deler samme API-nøgle, rammer loftet langt hurtigere end én person, der arbejder alene.

Den mest robuste løsning for et team er at give hver udvikler sin egen API-nøgle eller lade dem logge ind med deres eget Google-konto, i stedet for at dele én fælles nøgle på tværs af hele holdet. Det gør det langt nemmere at se, hvem der bruger hvad, og det forhindrer, at én persons intensive brug spærrer resten af teamet ude midt på arbejdsdagen. Kører I i stedet via Vertex AI, kan I sætte separate kvoter op pr. projekt i Google Cloud Console, så et test-miljø ikke kan spise af budgettet, der er øremærket til produktionsnære opgaver.

Brug /stats-kommandoen aktivt som en del af den daglige rutine, særligt i de første uger, hvor teamet stadig lærer, hvor mange kald forskellige typer opgaver reelt koster. En kort kodegennemgang bruger typisk langt færre tokens end en fuld refaktorering af flere filer, og den forskel er værd at kende, før I planlægger, hvor meget I regner med at bruge værktøjet til om måneden.

Gratis niveau vs betalt adgang: Hvad får du for pengene?

Gemini CLI markedsfører sig selv på et usædvanligt generøst gratis niveau sammenlignet med konkurrerende terminal-agenter. Flere uafhængige sammenligningssider i 2026 melder om identiske tal: 60 forespørgsler i minuttet og 1.000 om dagen på det gratis spor via Gemini API. Tabellen herunder samler de rapporterede niveauer, så du kan planlægge, hvornår det giver mening at skifte til en betalt nøgle:

NiveauForespørgsler/minForespørgsler/dagAdgangsvej
Gratis (Google-konto)601.000Gemini API via AI Studio-login
API-nøgle, betalt forbrugAfhænger af kvotePay-per-tokenGoogle AI Studio
Vertex AI (virksomhed)Konfigurerbar kvoteKonfigurerbar kvoteGoogle Cloud-projekt

For et lille team eller en soloudvikler dækker gratis-niveauet typisk en almindelig arbejdsdag uden problemer, især hvis du bruger filhenvisninger frem for at lade agenten scanne hele repositoryet ved hver forespørgsel. Rammer du loftet, er den enkleste løsning at lægge småpauser ind i scripts, der kalder CLI’en i løkker, eller at skifte til en betalt nøgle med højere kvote, når projektet vokser og flere i teamet begynder at bruge værktøjet samtidig.

Gemini CLI vs Claude Code vs OpenAI Codex CLI

Ingen af de tre terminal-agenter er strengt bedst i alt. Valget afhænger af, hvad dit team allerede bruger, hvor meget kontekst dine opgaver kræver, og hvor meget I er villige til at betale, før projektet for alvor tager fart.

EgenskabGemini CLIClaude CodeOpenAI Codex CLI
LicensApache 2.0, open sourceLukket kildekodeApache 2.0, open source
Primær modelGemini 3-serienClaude-modeller (Sonnet/Opus)GPT-5-serien
Gratis niveau60/min, 1.000/dagIngen tilsvarende gratis sporFølger ChatGPT-abonnement
MCP-supportNativJaJa
Ejer-økosystemGoogle Cloud/AI StudioAnthropicOpenAI/ChatGPT

Er du allerede dybt integreret med Anthropics modeller, giver vores Claude Code-opsætningsguide et godt sammenligningsgrundlag. Bruger du i forvejen VS Code eller JetBrains med indbyggede AI-assistenter, kan du se, hvordan de stiller op i vores guides til VS Code og JetBrains AI Assistant. Mange teams ender faktisk med at køre flere værktøjer parallelt: ét i editoren til den løbende kodning, og Gemini CLI i terminalen til de opgaver, der kræver bredere kontekst på tværs af flere repositories samtidig.

Prisloftet er ofte det, der afgør valget i praksis, mere end de tekniske finesser. Et lille team, der lige er begyndt at eksperimentere med agentbaseret udvikling, kan teste hele arbejdsgangen på Gemini CLIs gratis niveau, uden at nogen skal godkende et nyt softwareindkøb først. Claude Code og lukkede alternativer kræver typisk et betalt abonnement fra første dag, hvilket gør dem til et tungere valg, hvis du bare vil afprøve konceptet på en enkelt weekend-opgave. Omvendt peger flere brugere på, at Claude Code klarer sig bedre i lange, flertrins-opgaver, hvor agenten selv skal planlægge rækkefølgen af ændringer uden meget indblanding undervejs.

5 almindelige faldgruber, du skal undgå

  1. At give agenten fuld skriveadgang fra dag ét. Start altid med godkendelse slået til, og udvid rettighederne gradvist, når du kender værktøjets vaner og reaktionsmønstre i dit specifikke projekt.
  2. At springe GEMINI.md over. Uden et kontekstdokument gætter agenten på jeres konventioner, og resultatet bliver inkonsistent kode, der ikke matcher resten af kodebasen.
  3. At blande autentificeringsmetoder. Har du både en API-nøgle og en aktiv Google-login-session sat op samtidig, kan CLI’en vælge den forkerte kilde og ramme en uventet kvote uden forvarsel.
  4. At ignorere rate-limits i CI. Kører du Gemini CLI i en pipeline med mange parallelle jobs, rammer du hurtigt loftet på 60 kald i minuttet, og hele pipelinen går i stå på det værst tænkelige tidspunkt.
  5. At antage, at output altid er korrekt. Kør testene, læs diffen, og behandl agentens forslag som et udkast, aldrig som en færdig løsning klar til at merges uden review.

Fejlfinding: 8 problemer og løsninger

  • “Unauthorized” eller “invalid API key”: Tjek at GEMINI_API_KEY faktisk er sat i din nuværende shell-session med echo $GEMINI_API_KEY, og at nøglen ikke er udløbet eller slettet i AI Studio.
  • Vertex AI afviser kald med tilladelsesfejl: Bekræft, at service-kontoen har rollen “Vertex AI User”, og at Vertex AI-API’et faktisk er aktiveret i det Google Cloud-projekt, du peger på.
  • “Rate limit exceeded” på gratis niveau: Du har ramt 60 kald i minuttet eller 1.000 om dagen. Læg pauser ind i scripts, brug /stats til at følge forbruget, eller skift til en betalt nøgle.
  • Global npm-installation fejler med rettighedsfejl: Undgå sudo npm install -g, og sæt i stedet en bruger-lokal npm-prefix, eller kør værktøjet via npx i stedet for en global installation.
  • CLI’en finder ikke GEMINI.md: Filen skal ligge i roden af den mappe, du starter gemini fra, ikke i en tilfældig undermappe længere nede i projektet.
  • MCP-serveren svarer ikke: Genstart Gemini CLI efter enhver ændring i MCP-konfigurationen. Indlæsning af serverdefinitioner sker kun ved opstart af sessionen.
  • Kommandoen gemini findes ikke efter installation: Din PATH peger sandsynligvis ikke på npms globale bin-mappe. Kør npm config get prefix, og tilføj stien til din shell-profil manuelt.
  • Store repositories giver ufuldstændige eller upræcise svar: Selv med et stort kontekstvindue er det bedre at pege agenten på specifikke filer med @fil-syntaks end at bede den scanne hele kodebasen på én gang.
  • GitHub Action fejler med “permission denied” i workflow: Tjek at repository-secreten GEMINI_API_KEY faktisk er sat under repositoryets indstillinger, og at workflow-filen refererer til den med korrekt navn og store/små bogstaver.

Avancerede tips til daglig brug

Når grundopsætningen sidder fast, er der en række detaljer, der gør den daglige brug markant hurtigere. Opret custom-kommandoer i en TOML-fil, så gentagne opgaver som “kør migrations” eller “generér changelog” bliver til en enkelt skråstreg-kommando i stedet for en lang prompt hver gang, du skal have samme opgave udført.

Brug checkpointing aktivt, når du beder agenten om en større refaktorering. Gemini CLI kan sætte den aktuelle tilstand på pause, så du kan gennemgå ændringerne trinvist i stedet for at acceptere en kæmpe diff på én gang. Kombiner det med git, og commit ofte undervejs, så du altid kan rulle et enkelt trin tilbage uden at miste hele sessionens fremskridt.

Sæt endelig et separat GEMINI.md op per undermappe i store monorepos. Agenten læser den nærmeste fil i mappehierarkiet, så et frontend-projekt og en backend-service kan have hver sin kontekst, selv om de bor i samme repository. Det sparer dig for at skrive én kæmpe fil, der forsøger at dække hele organisationens kodestandarder på én gang.

Til sidst: brug non-interaktiv tilstand til at bygge dine egne små værktøjer ovenpå Gemini CLI. En enkelt shell-funktion, der sender diffen fra din seneste commit gennem gemini -p, kan fungere som et hurtigt førstetjek, før du overhovedet åbner en pull request.

Overvej også at oprette et lille bibliotek af genbrugelige prompts som TOML-kommandoer, delt via git sammen med resten af projektet. På den måde arver nye teammedlemmer automatisk jeres oparbejdede erfaring med, hvordan man stiller opgaver præcist nok til, at agenten rammer plet første gang, i stedet for at hver enkelt udvikler skal opdage de samme formuleringstricks fra bunden.

Ofte stillede spørgsmål

Er Gemini CLI gratis at bruge?

Ja, med en Google-konto får du adgang til et gratis niveau, der ifølge flere uafhængige sammenligninger i 2026 ligger på 60 forespørgsler i minuttet og 1.000 om dagen. Betalt adgang via API-nøgle eller Vertex AI koster efter forbrug, når du overstiger de grænser.

Kræver Gemini CLI et betalt Google Cloud-abonnement?

Nej. Almindelig brug kan ske gratis med en Google-konto via AI Studio-login. Vertex AI er kun nødvendigt, hvis din virksomhed vil styre adgang, kvoter og fakturering centralt gennem et Google Cloud-projekt.

Kan jeg bruge Gemini CLI på Windows?

Ja, værktøjet installeres via npm og kører på Windows, macOS og Linux. Kommandoerne i denne guide er skrevet til macOS/Linux-syntaks, så Windows-brugere skal justere miljøvariabel-syntaksen til PowerShell eller cmd, når de sætter nøgler og cloud-variabler.

Hvad er forskellen på Gemini CLI og Gemini i Google AI Studio?

AI Studio er en webbaseret grænseflade til at eksperimentere med modellerne i browseren. Gemini CLI er en terminal-agent, der kan læse og redigere filer direkte i dit filsystem og køre shell-kommandoer, hvilket gør det til et udviklerværktøj snarere end en ren chatgrænseflade.

Understøtter Gemini CLI Model Context Protocol?

Ja, nativt. Du kan koble eksterne MCP-servere på, for eksempel til GitHub, filsystemer eller interne API’er, og agenten henter data fra dem løbende, mens den arbejder på en opgave.

Kan Gemini CLI erstatte GitHub Copilot eller Claude Code?

Det afhænger af workflowet. Copilot og Claude Code sidder typisk direkte i editoren, mens Gemini CLI er stærkest til opgaver, der spænder over hele terminalen, som scripting, CI-automatisering og arbejde på tværs af flere repositories samtidig. Mange teams ender med at bruge flere værktøjer side om side i stedet for at vælge ét og droppe resten.

Hvordan opdaterer jeg Gemini CLI til nyeste version?

Kør npm install -g @google/gemini-cli igen for at hente den nyeste version, eller tjek først, hvilken version der er tilgængelig i registret med npm view @google/gemini-cli version, før du opdaterer.

Er mine data sikre, når Gemini CLI læser min kode?

CLI’en kører med en godkendelsesbaseret sikkerhedsmodel, hvor den som udgangspunkt spørger om lov, før den redigerer filer eller kører kommandoer. Undgå alligevel at pege agenten på mapper med hemmeligheder eller produktionsdata, og gennemgå altid GitHub-actionens log, hvis du automatiserer kørsel i CI, så du ved præcis, hvad der er blevet sendt afsted.

Hvor stort er kontekstvinduet i Gemini CLI?

Flere uafhængige trackere har i 2026 rapporteret kontekstvinduer på over en million tokens for de Gemini-modeller, CLI’en bruger, hvilket er betydeligt større end de fleste konkurrerende terminal-agenter tilbyder som standard. Det store kontekstvindue betyder, at du kan lade agenten arbejde på flere filer eller endda et helt lille repository i én omgang, uden at den løber tør for hukommelse midtvejs i en opgave.

Kan jeg bruge Gemini CLI uden en internetforbindelse?

Nej. Selve modelkørslen sker i Googles cloud, uanset om du autentificerer med en Google-konto, en API-nøgle eller Vertex AI, så en fungerende internetforbindelse er en forudsætning for alle tre metoder. Kun installationen af selve npm-pakken kan ske offline, hvis du allerede har hentet den én gang.