谷歌悄悄上线了一个工具，名字平平无奇，叫 Google Colab CLI

封面图片

大家好，我是 Ai 学习的老章

本文介绍谷歌悄悄上线的 Google Colab CLI

简介

一句话说清楚：Google Colab CLI 把那个用浏览器打开的 Colab 笔记本，搬到了终端里

之前用 Colab 是这么个流程：浏览器打开 colab.research.google.com → 新建笔记本 → 等 VM 分配 → 上传数据 → 在网页里敲代码 → 网页一刷新状态全没了，再来一次

现在直接在终端里：

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

三行命令，开 VM、跑代码、关 VM，一气呵成

Colab CLI 命令行界面

Colab CLI 命令行界面

官方在博客里把它的定位写得很直白：为开发者生产力、headless 自动化、AI Agent 集成而生

翻译一下就是，这工具瞄准的是两类专业玩家（小白学 Python 不在画风里）：

1. AI Agent 工程师：让 Claude / Gemini / GPT 这些 Agent 能直接调云端 GPU 跑代码
2. 写自动化脚本的人：CI/CD 里、shell 里、定时任务里，随时拿 GPU 不用开浏览器

核心功能与特点：

• 秒开 VM：CPU、GPU（T4 / L4 / G4 / H100 / A100）、TPU（v5e1 / v6e1）任选，一行命令搞定
• 本地代码远程跑：写在自己电脑上的 .py 或 .ipynb，直接在远程 kernel 上执行，不用先上传
• Kernel 状态会保留：同一个 session 里多次 colab exec，import 过的库、定义过的变量、加载好的模型，全都还在
• 后台守护进程自动续命：built-in keep-alive daemon 防止 VM 闲置被杀，不用挂着浏览器
• shebang 写法神奇：在 .py 顶部写一行解释器声明，普通 Python 脚本直接变成「自带 GPU 的脚本」
• 历史可导出：交互记录可以一键导出成 .ipynb / .md / .jsonl，方便复盘和分享

安装

仅支持 Linux 和 macOS，Windows 用户先别激动（官方 README 写得很明白）

推荐用 uv 装（快、干净、不污染系统环境）：

# 推荐：用 uv 安装
uv tool install google-colab-cli

# 也可以用 pip
pip install google-colab-cli

装完跑一下 colab version 验证

认证（这步坑最多）

CLI 默认用 ADC（Application Default Credentials），但 Colab 后端要求一个特定的 scope 集合，得用下面这条命令重新做认证：

gcloud auth application-default login \
  --scopes=openid,\
https://www. googleapis. com/auth/cloud-platform,\
https://www. googleapis. com/auth/userinfo.email,\
https://www. googleapis. com/auth/colaboratory

四个 scope 一个都不能少，少了直接 401 / 403

官方 Skill 文档里把这事讲得很细，给到 Agent 用的话，ADC 比 OAuth 靠谱得多（OAuth 第一次会弹浏览器，需要真人点）

如果你已经认证过、却老是报 403，可以跑 colab whoami（隐藏命令）一行看清楚当前 token 有哪些 scope

使用

最常用的三件套

# 1. 开个 CPU session（推荐起名字，不然系统给你随机 6 位 hex，后面命令对不上号）
colab new -s mywork

# 2. 跑本地脚本
colab exec -s mywork -f train.py

# 3. 跑完关掉（不关会一直烧 compute 单位）
colab stop -s mywork

❝划重点：不关 VM = 一直烧钱，24 小时上限内 keep-alive 会一直续，自己的 quota 自己心疼

一把梭：colab run

如果就跑一个脚本然后立马走人，用 colab run：

# 开 T4 GPU、跑 train.py、跑完自动关
colab run --gpu T4 train.py

这等于 new + exec + stop 三步合一，脚本异常退出 / sys.exit(N) 还能正确传 exit code 出来，CI 里写一行就行

我最喜欢的：shebang 写法

这个是真的让我眼前一亮的设计，让普通 Python 脚本变成"自带 GPU"的可执行文件：

#!/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))

chmod +x script.py 之后，直接 ./script.py，就跑在 L4 GPU 上

平时 Mac 本地都是用 mlx 跑、跑大模型 GPU 不够用？把脚本顶部加一行 shebang，本地命令一执行，自动租一台 GPU 跑完再还回去

这种把云端算力做成「Python 解释器」的玩法，比那种「打开网页 → 等环境 → 复制代码 → 跑」的工作流好太多了

下面这张图说清楚了 shebang 写法的整个调用链路：

shebang 让 Python 脚本自带 GPU 的工作机制

shebang 让 Python 脚本自带 GPU 的工作机制

Kernel 状态持久化

同一个 session 里，前后两次 colab exec 共享同一个 Jupyter kernel：

# 第一次：导入和加载（慢）
colab exec -s mywork <<EOF
import torch
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("google/gemma-3-1b-it")
EOF

# 第二次：直接用（快）
colab exec -s mywork <<EOF
print(model.generate(...))
EOF

第二次 colab exec 不用重新 import、不用重新加载 model，直接接着用上次的状态

这点跟跑 Jupyter 完全一致，但比开浏览器轻量得多

只有两种情况会清空状态：colab stop（关 VM）或 colab restart-kernel（重启 kernel）

文件操作 + GCP / Drive 集成

colab ls -s mywork              # 看远程文件
colab upload -s mywork a.csv /content/a.csv  # 上传
colab download -s mywork checkpoints/m.bin ./m.bin  # 下载
colab drivemount -s mywork      # 挂 Google Drive
colab auth -s mywork            # 注入 GCP 凭证（BigQuery / GCS 用）
colab install -s mywork torch transformers   # 装包（uv 优先）

drivemount 和 auth 需要真人在终端点确认，Agent 自动化场景用不了，提前知道

实测：用它微调 Gemma 3-1B

仓库 examples 目录给了一个完整可跑的微调样例 finetune_run.py，做的是把 Gemma 3-1B 微调成 Text-to-SQL 模型

整个流程把 CLI 的几个特性串起来用：

# 1. 把本地的 HF_TOKEN 注入到 kernel
echo "import os; os.environ['HF_TOKEN'] = '$HF_TOKEN'" | colab exec

# 2. 验证一下
echo 'import os; print(bool(os.environ.get("HF_TOKEN")))' | colab exec
# → 应该输出 True

# 3. 跑微调脚本
colab exec -f finetune_run.py

脚本里用了 4-bit QLoRA + LoRA 适配器（r=16, alpha=32）+ SFTTrainer，60 步 demo 训练，跑完保存 adapter 到 ./gemma-3-1b-qlora-adapter，最后还做一次推理对比

数据集用的是 philschmid/gretel-synthetic-text-to-sql，每条样本带 SQL schema、问题、SQL 答案三个字段，喂给 SFTTrainer 让它学会「看 schema 写 SQL」

整个脚本写得相当克制，没什么花活，就是把 QLoRA 微调这套流程跑通了，真正的重点是 CLI 让你能在自己电脑上「一句命令」把这个事做完

跟 Colab MCP / Antigravity 的关系

这次 Google 一起放出来的还有：

三个工具走的是不同路线：CLI 给脚本和 Agent 用、MCP 给笔记本里的 Agent 用、Antigravity 是它的 Cursor

如果你是 Cursor / Claude Code 重度用户，优先看 CLI，让 AI Agent 在终端里调云 GPU

如果你还在 Colab 网页里写代码，可以试试 MCP

总结

适合谁：

• 跑 ML 实验、嫌 Notebook 笨重的人 ✅
• 写 AI Agent、想给 Agent 配云端算力的人 ✅
• Mac 用户没显卡、又想偶尔用一下 GPU 的人 ✅
• 已经在用 Colab Pro / Pro+ 订阅的人 ✅

不适合谁：

• Windows 用户 ❌（暂不支持）
• 没 Colab 订阅、想免费拿 GPU 的（accelerator 是 tier-gated 的，大多数账号只能开 CPU）
• 喜欢点点点的图形化操作派 ❌

值得吐槽的几个点：

• 认证流程对不熟 GCP 的人不友好，gcloud auth 那一长串 scope 一个都不能少
• repl / console / auth / drivemount 这几个命令需要真人 TTY，Agent 调用会卡死
• Windows 用户被排除在外