Google Colab CLI：从终端远程调用 GPU/TPU，AI Agent 也能用

如果你平时用 Google Colab 跑模型训练或数据处理，应该习惯了打开浏览器 → 新建笔记本 → 连接运行时 → 运行代码 → 关闭标签页这一套流程。

但对于开发者——尤其是习惯终端工作流、或者想自动化运维 ML 任务的开发者来说，这个流程太”重”了。

Colab CLI 就是为此设计的：一个命令行工具，让你从终端直接调用 Colab 的云端算力，无需打开浏览器。

更值得关注的是，它还为 AI Agent 提供了基础设施层的对接能力。Agent 可以通过 CLI 直接调用 GPU 资源执行任务，不再受限于纯文本处理。

Colab CLI 是什么

Colab CLI 是 Google 官方出品的命令行工具，包名为 google-colab-cli，GitHub 仓库托管于 googlecolab/google-colab-cli。

它的核心能力可以概括为一句话：从终端远程调用 Colab 的 GPU 和 TPU 资源，无需打开浏览器。

但它的价值不止于此。Colab CLI 提供了一个完整的远程执行框架，涵盖：

• 会话管理：创建、查询、终止 VM 运行时
• 代码执行：运行 Python 脚本、Jupyter Notebook、交互式 REPL 甚至 TTY 控制台
• 文件操作：上传、下载、删除、远程编辑文件
• 自动化工件：colab run 一个命令完成「启动 VM → 执行脚本 → 自动回收」
• 自动保活：后台守护进程防止空闲 VM 被回收

这些能力使之成为一个可以嵌入开发工作流、CI/CD 流程、甚至 AI Agent 调用链中的基础设施工具。

核心特性详解

1. 即时 VM 预配

colab new 命令可在数秒内预配一个运行时，支持的加速器类型非常丰富：

参数示例：

# 创建默认 CPU 会话
colab new

# 创建指定 GPU 会话
colab new -s trainer --gpu A100

# 创建 TPU 会话
colab new -s tpu-runner --tpu v6e1

2. 灵活的执行模式

代码执行有四种模式，覆盖从简单到复杂的各种场景：

模式一：stdin 管道

echo "print('Hello from Colab!')" | colab exec

模式二：本地脚本执行

colab exec -s trainer -f train.py

模式三：交互式 REPL

colab repl

模式四：TTY 远程控制台

colab console

这四种模式本质上对应了不同的集成场景：stdin 适合管道链式调用，脚本适合批量任务，REPL 适合调试，控制台适合深度运维。

3. 短期任务神器：colab run

这是 CLI 的杀手级功能——把「创建 VM → 上传脚本 → 执行 → 下载结果 → 销毁 VM」打包为一条命令：

colab run --gpu A100 train.py

相当于一键版的批处理作业。结合 --keep 参数还可以保留结束后 VM 供后续检查。

4. 自动保活

Colab 浏览器的免费版有约 90 分钟的空闲超时，付费版也有时间限制。Colab CLI 内置了自动保活后台守护进程，使用期间 VM 不会被自动回收——这对长时间训练任务非常关键。

5. Google Drive 挂载 + GCP 认证

colab drivemount -s analysis /content/drive
colab auth -s trainer

可以直接挂载 Google Drive 访问数据集，或认证 GCP 服务（BigQuery、Cloud Storage 等）。这对于依赖 Google Cloud 生态的工作流来说，让本地开发与云端执行之间的衔接极其丝滑。

6. 日志归档

colab log -s trainer -o execution_log.ipynb
colab log -s trainer -o execution_log.md

支持导出为 Jupyter Notebook（.ipynb）、Markdown（.md）或 JSONL（.jsonl）格式，方便存档和审阅。

快速上手

安装

pip install google-colab-cli

或使用 uv（推荐，更快）：

uv tool install google-colab-cli

注意：当前仅支持 Linux 和 macOS，暂不支持 Windows。Windows 用户需要通过 WSL 使用。

示例：A100 训练 + 模型下载 + 自动回收

colab new -s trainer --gpu A100
colab install -s trainer torch transformers
colab exec -s trainer -f train.py
colab download -s trainer checkpoints/model.bin ./model.bin
colab stop -s trainer

示例：一个命令跑完整任务

colab run --gpu T4 train.py

示例：Shebang 模式

直接在脚本头部声明。这样脚本本身即可作为可执行文件运行：

#!/usr/bin/env -S colab run --gpu L4 --keep
import torch
print("L4 GPU Available:", torch.cuda.is_available())
print("Device Name:", torch.cuda.get_device_name(0))

保存为 train.py、chmod +x、./train.py 即可——完全透明的远程 GPU 体验。

AI Agent 视角：为什么这是基础设施级工具

作为经常和 AI Agent 打交道的人，我认为 Colab CLI 的设计中有一个很容易被忽略的关键点：它对 Agent 生态的友好程度。

传统的 Colab 是为”人”设计的——你需要打开浏览器、点击按钮、手动执行单元格。而 Colab CLI 是为”进程”和”Agent”设计的：

• 管道友好：echo "code" | colab exec 模式天然适配 shell 管道和 Agent 的代码生成 + 执行流程
• 无状态设计：colab run 的「启动 → 执行 → 销毁」模式，Agent 无需管理会话生命周期
• 退出代码：标准化的退出状态码，Agent 可以判断执行是否成功并决定下一步

Google 还同时推出了 Colab MCP Server，一个面向 AI Agent 框架（如 Claude Desktop、Cline 等实现了 MCP 协议的客户端）的 Colab 交互接口。如果你用的是 MCP 生态的工具，可以直接通过 MCP 协议调用 Colab 算力。这个项目目前有 659 个 Star，远超 CLI 本身的 111 个，侧面说明了 AI Agent 社区对这个能力的需求旺盛。

可以想象这样的场景：一个 AI 编码 Agent 在写完训练脚本后，自主地调用 Colab CLI 启动一个 A100 实例、上传脚本、监控执行进度、下载模型权重——完全无须人工介入。

与同类工具的对比

Colab CLI 最大的差异化优势在于极低的启动延迟和零配置门槛——不需要配置云账号的 IAM、VPC、子网等基础设施，一条命令就能用上 GPU。

局限性

1. 无 Windows 支持：当前不支持 Windows 原生运行，需要 WSL。
2. 需要付费订阅：虽然 Colab 有免费版，但 GPU/TPU 的大量使用需要订阅 Colab 付费计划（按计算单元计费）。
3. 运行时上限：单次会话有最长使用时长限制（免费版约 12 小时，付费版更长但非无限制）。
4. 网络依赖：所有代码和文件需要通过网络传输，数据量较大时受限。
5. Python >= 3.13：目前强制要求 Python 3.13 及以上版本，对部分旧系统不友好。
6. 比浏览器少一些交互特性：无法使用 Colab 的交互式可视化、实时表格渲染等浏览器端功能。

适合谁用

总结

Colab CLI 是 Google 把 Colab 从”浏览器里的免费 GPU”升级为”终端里的云端算力”的重要一步。它的设计干净利落——安装一条命令、启动一条命令、执行任务一条命令、停止一条命令，所有操作都符合 CLI 的 Unix 哲学。

对于 AI Agent 开发者，它的意义更大。在 Agent 能够自动编写和运行代码的今天，最缺的就是一个简单、可靠、且 Agent 可以直接调用的云端计算接口。Colab CLI（以及与之配套的 Colab MCP Server）正好填补了这个空白。

当前项目仍处于早期（GitHub 111 Stars），但其背后是 Google 官方团队的长期维护，API 设计和文档质量都不错。如果你的工作流中需要频繁使用 GPU/TPU 资源，值得一试。

参考资料

1. Google Colab CLI GitHub 仓库
2. Google Colab MCP Server GitHub 仓库
3. PyPI: google-colab-cli
4. Google Colab 官方文档
5. Colab 付费计划与计算单元说明