大家好，我是 Ai 學習的老章

本文介紹谷歌悄悄上線的 Google Colab CLI

簡介

一句話說清楚：Google Colab CLI 把那個用瀏覽器打開的 Colab 筆記本，搬到了終端里

之前用 Colab 是這么個流程：瀏覽器打開 colab.research.google.com → 新建筆記本 → 等 VM 分配 → 上傳數據 → 在網頁里敲代碼 → 網頁一刷新狀態全沒了，再來一次

現在直接在終端里：

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

三行命令，開 VM、跑代碼、關 VM，一氣呵成

Colab CLI 命令行界面

官方在博客里把它的定位寫得很直白：為開發者生產力、headless 自動化、AI Agent 集成而生

翻譯一下就是，這工具瞄準的是兩類專業玩家（小白學 Python 不在畫風里）：

1. AI Agent 工程師 ：讓 Claude / Gemini / GPT 這些 Agent 能直接調云端 GPU 跑代碼

2. 寫自動化腳本的人 ：CI/CD 里、shell 里、定時任務里，隨時拿 GPU 不用開瀏覽器

核心功能與特點：

• 秒開 VM ：CPU、GPU（T4 / L4 / G4 / H100 / A100）、TPU（v5e1 / v6e1）任選，一行命令搞定

• 本地代碼遠程跑 ：寫在自己電腦上的 .py 或 .ipynb ，直接在遠程 kernel 上執行， 不用先上傳

• Kernel 狀態會保留 ：同一個 session 里多次 colab exec ，import 過的庫、定義過的變量、加載好的模型，全都還在

• 后臺守護進程自動續命 ：built-in keep-alive daemon 防止 VM 閑置被殺，不用掛著瀏覽器

• shebang 寫法神奇 ：在 .py 頂部寫一行解釋器聲明，普通 Python 腳本直接變成「自帶 GPU 的腳本」

• 歷史可導出 ：交互記錄可以一鍵導出成 .ipynb / .md / .jsonl ，方便復盤和分享

僅支持 Linux 和 macOS，Windows 用戶先別激動（官方 README 寫得很明白）

推薦用 uv 裝（快、干凈、不污染系統環境）：

# 推薦：用 uv 安裝
uv tool install google-colab-cli


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

裝完跑一下 colab version 驗證

認證（這步坑最多）

CLI 默認用 ADC（Application Default Credentials），但 Colab 后端要求一個特定的 scope 集合，得用下面這條命令重新做認證：

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

四個 scope 一個都不能少，少了直接 401 / 403

官方 Skill 文檔里把這事講得很細，給到 Agent 用的話，ADC 比 OAuth 靠譜得多（OAuth 第一次會彈瀏覽器，需要真人點）

如果你已經認證過、卻老是報 403，可以跑 colab whoami（隱藏命令）一行看清楚當前 token 有哪些 scope

使用 最常用的三件套

# 1. 開個 CPU session（推薦起名字，不然系統給你隨機 6 位 hex，后面命令對不上號）
colab new -s mywork

 # 2. 跑本地腳本
colab exec -s mywork -f train.py

 # 3. 跑完關掉（不關會一直燒 compute 單位）
colab stop -s mywork

? 劃重點：不關 VM = 一直燒錢，24 小時上限內 keep-alive 會一直續，自己的 quota 自己心疼

如果就跑一個腳本然后立馬走人，用 colab run：

# 開 T4 GPU、跑 train.py、跑完自動關
colab run --gpu T4 train.py

這等于 new + exec + stop 三步合一，腳本異常退出 / sys.exit(N) 還能正確傳 exit code 出來，CI 里寫一行就行

我最喜歡的：shebang 寫法

這個是真的讓我眼前一亮的設計，讓普通 Python 腳本變成"自帶 GPU"的可執行文件：

#!/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

平時 Mac 本地都是用 mlx 跑、跑大模型 GPU 不夠用？把腳本頂部加一行 shebang，本地命令一執行，自動租一臺 GPU 跑完再還回去

這種把云端算力做成「Python 解釋器」的玩法，比那種「打開網頁 → 等環境 → 復制代碼 → 跑」的工作流好太多了

下面這張圖說清楚了 shebang 寫法的整個調用鏈路：

shebang 讓 Python 腳本自帶 GPU 的工作機制 Kernel 狀態持久化

同一個 session 里，前后兩次 colab exec 共享同一個 Jupyter kernel：

# 第一次：導入和加載（慢）
colab exec -s mywork < 
                 
         
 
         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 < 
                     
           
 
           print(model.generate(...)) 
           
 
           EOF 
           
 
           
        

第二次 colab exec 不用重新 import、不用重新加載 model，直接接著用上次的狀態

這點跟跑 Jupyter 完全一致，但比開瀏覽器輕量得多

只有兩種情況會清空狀態：colab stop（關 VM）或 colab restart-kernel（重啟 kernel）

文件操作 + GCP / Drive 集成

colab ls -s mywork              # 看遠程文件
colab upload -s mywork a.csv /content/a.csv  # 上傳
colab download -s mywork checkpoints/m.bin ./m.bin  # 下載
colab drivemount -s mywork      # 掛 Google Drive
colab auth -s mywork            # 注入 GCP 憑證（BigQuery / GCS 用）
colab install -s mywork torch transformers   # 裝包（uv 優先）

drivemount 和 auth 需要真人在終端點確認，Agent 自動化場景用不了，提前知道

實測：用它微調 Gemma 3-1B

倉庫 examples 目錄給了一個完整可跑的微調樣例 finetune_run.py，做的是把 Gemma 3-1B 微調成 Text-to-SQL 模型

整個流程把 CLI 的幾個特性串起來用：

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

 # 2. 驗證一下
echo 'import os; print(bool(os.environ.get("HF_TOKEN")))' | colab exec
# → 應該輸出 True

 # 3. 跑微調腳本
colab exec -f finetune_run.py

腳本里用了 4-bit QLoRA + LoRA 適配器（r=16, alpha=32）+ SFTTrainer，60 步 demo 訓練，跑完保存 adapter 到 ./gemma-3-1b-qlora-adapter，最后還做一次推理對比

數據集用的是 philschmid/gretel-synthetic-text-to-sql，每條樣本帶 SQL schema、問題、SQL 答案三個字段，喂給 SFTTrainer 讓它學會「看 schema 寫 SQL」

整個腳本寫得相當克制，沒什么花活，就是把 QLoRA 微調這套流程跑通了，真正的重點是 CLI 讓你能在自己電腦上「一句命令」把這個事做完

跟 Colab MCP / Antigravity 的關系

這次 Google 一起放出來的還有：

工具

定位

適合場景

Colab CLI

（本文）

終端命令行

自動化腳本、CI/CD、Agent 集成

Colab MCP Server

筆記本里的 Agent 協作

想要交互式、Agent 在 Notebook 里幫你寫代碼

Antigravity

Google 自己的 Agent IDE

完整 Agent 工作流，多 agent 并行

三個工具走的是不同路線：CLI 給腳本和 Agent 用、MCP 給筆記本里的 Agent 用、Antigravity 是它的 Cursor

如果你是 Cursor / Claude Code 重度用戶，優先看 CLI，讓 AI Agent 在終端里調云 GPU

如果你還在 Colab 網頁里寫代碼，可以試試 MCP

總結

適合誰：

• 跑 ML 實驗、嫌 Notebook 笨重的人 ?

• 寫 AI Agent、想給 Agent 配云端算力的人 ?

• Mac 用戶沒顯卡、又想偶爾用一下 GPU 的人 ?

• 已經在用 Colab Pro / Pro+ 訂閱的人 ?

不適合誰：

• Windows 用戶 ?（暫不支持）

• 沒 Colab 訂閱、想免費拿 GPU 的（accelerator 是 tier-gated 的，大多數賬號只能開 CPU）

• 喜歡點點點的圖形化操作派 ?

值得吐槽的幾個點：

• 認證流程對不熟 GCP 的人不友好，gcloud auth 那一長串 scope 一個都不能少

• repl / console / auth / drivemount 這幾個命令需要真人 TTY，Agent 調用會卡死

• Windows 用戶被排除在外