本文介绍了谷歌Gemini CLI的最新扩展Conductor插件，它引入"上下文驱动开发"(CDD)工作流，将AI编程转变为先规划后执行的模式。通过五个核心命令帮助用户建立项目上下文、生成详细需求规范和实现计划，并按逻辑单元执行和回滚。这种模式能有效避免AI生成"代码屎山"，特别适合复杂项目，标志着Gemini CLI在工程化方面的重要进步。

---

长期以来，Gemini CLI在与Claude Code等AI编程工具竞争时都面临劣势。

随着上个月Gemini 3 Pro发布，谷歌同时也推出了全新的AI编程IDE Antigravity，配合此前的AI Studio Build和Gemini CLI，谷歌开始AI编程赛道上全面发力。

Gemini CLI开源免费，但似乎这也限制了它成为一个好用的编程CLI工具。随着Gemini CLI的频繁迭代，这一局面似乎有所改观。

最近，谷歌给Gemini CLI新增了一个重磅级的更新：

Conductor。

Conductor是什么

Conductor是Gemini CLI的官方扩展插件，12月22日刚发布v0.1.1版本，目前还是预览阶段。

它的核心理念很简单，用谷歌的话说就是：“Measure twice, code once”（三思而后行）。

简单来说，Conductor想把Gemini CLI从一个听话干活的码农变成一个有规划的项目经理，也很符合Conductor的含义（指挥家）。它引入了一套叫做上下文驱动开发（CDD，Context-Driven Development）的工作流：

Context → Spec & Plan → Implement

这个工作流，更像是规范驱动开发（SDD）的升级版，在项目中基于CDD的Vibe Coding，能够生成更加可靠且可控的代码。

Conductor背后的理念很简单：就是让人能够掌控AI生成代码的方向和范围。通过将上下文视作代码之外的受控工件，将代码库转化为单一可信数据源，它以深度持久的项目认知驱动着每次编码交互。

Conductor项目地址：

https://github.com/gemini-cli-extensions/conductor

安装与设置

一行命令安装Conductor：

gemini extensions install https://github.com/gemini-cli-extensions/conductor --auto-update

--auto-update参数是可选的，加上之后会自动更新到新版本。

安装完成后，进入你的项目目录，运行：

/conductor:setup

这一步是项目初始化，只需要做一次。Conductor会通过交互式问答，帮你生成一套基础配置文件：

conductor/
├── product.md           # 产品定义和目标
├── tech-stack.md        # 技术栈说明
├── workflow.md          # 工作流偏好
└── code_styleguides/    # 代码风格指南

这些文件会被提交到Git仓库，成为项目的一部分。团队成员共享同一套AI上下文，不用每个人都从头配置。

具体用法上，Conductor的命令体系很简洁，核心就五个：

1. /conductor:setup

项目初始化，定义产品愿景、技术栈和工作流偏好。每个仓库只需运行一次。

2. /conductor:newTrack

开始一个新的工作单元（Track），可以是新功能，也可以是Bug修复。

/conductor:newTrack "实现用户登录功能"

运行后，Conductor会生成两个关键文件：

• spec.md：详细的需求规范
• plan.md：可执行的任务列表

这两个文件会放在conductor/tracks/<track_id>/目录下。

3. /conductor:implement

审核完规范和计划后，运行这个命令开始执行。

Conductor会按照plan.md里的任务顺序逐个完成，每完成一个就打勾标记。中途可以暂停，下次继续时它会从上次的位置接着干。

4. /conductor:status

查看当前进度，看看哪些任务完成了，哪些还在进行中。

5. /conductor:revert

回滚操作。Conductor的回滚是按逻辑单元来的（Track/Phase/Task），而不是按git commit。这意味着你可以精确地撤销某个功能的实现，而不用担心误伤其他改动。

实际使用体验

Conductor 的工作流可以概括为三个阶段：

阶段一：建立上下文

按照我的习惯，我会先和Gemini做充分的需求讨论之后，再通过/conductor:setup使用上下文来生成初步的项目手册，包括产品目标与范围、技术栈、工作流偏好等等。

![](http://cdn.zhipoai.cn/04c97078.jpg)

阶段二：规划先行

要做新功能时，先用 /conductor:newTrack生成规范和计划。这一步很关键，Conductor会根据你的描述和项目上下文，自动生成详细的需求文档和实现步骤。

这里有个很重要的设计：计划需要你人工审核通过才能执行。你可以修改生成的spec.md和plan.md，调整需求细节或实现顺序。

修复计划比重构代码成本低得多。花时间审核生成的spec.md和plan.md，确保AI理解了你的意图。这个时间不能省，等于是人工把控项目的执行方向，不能跑偏了。

阶段三：按计划执行

审核通过后，/conductor:implement开始干活。因为所有状态都保存在文件里，你可以随时暂停，去喝杯咖啡，回来继续，不用担心上下文丢失。

这种先规划后执行的模式，对于复杂项目来说非常有用。它强制你在动手之前想清楚要做什么，而不是边做边改。从机制上避免了AI生成代码屎山的可能。

但Conductor也有缺点，这种上下文驱动方式意味着每次操作都要读取和分析项目上下文。对于大型项目或深度规划阶段，Token消耗会明显增加。不过Gemini 3 Pro有高达100w的上下文空间，所以这个问题不必过于担心。

也可以用/stats命令随时监控消耗情况，做到心里有数。

此外，Conductor对现成项目（已有代码库）特别友好。它会根据现有代码结构和风格来生成规范，而不是从零开始。

conductor/目录下的文件是活文档，随着项目发展需要更新，不能设置完就不管了。

写在最后

Conductor的出现，让Gemini CLI在工程化方面迈出了一大步。

从随便聊聊就开始写代码到先规划再执行，这个转变对于需要持续迭代的项目来说意义重大，将上下文纳入Vibe过程中的管控，是SDD向CDD的重大升级。

当然，Conductor v0.1.1目前还只是预览版，功能和稳定性都有待深度测试颜值。但从设计理念来看，谷歌显然想让Gemini CLI从一个免费好玩的工具变成一个真正好用的工具。

我也是好久没用Gemini CLI，今天配合Conductor测试了一下，工具本身的稳定性和流畅性已经非常好了。

如果你是Gemini CLI用户，值得试试看。

如何学习AI大模型？

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓