← Todos los proyectos

Colab-MCP: un agente de IA que maneja Google Colab

Servidor MCP no oficial que deja a un agente de IA encender una máquina en Google Colab, ejecutar un trabajo, vigilarlo y apagarla, sin que el modelo vea credenciales. Envuelve el CLI oficial de Colab. Publicado en PyPI: se instala con uvx colab-cli-mcp. Validado con pruebas con un CLI simulado y una prueba en vivo: 10 videos, 6,7 GB, 0 errores.

Colab-MCP: un agente de IA que maneja Google Colab

Propósito

Que un agente de IA use Google Colab, con GPU incluida, de punta a punta y sin intervención manual en cada paso.

Qué resuelve

Correr un trabajo en Colab exige pasos manuales: encender la máquina, subir archivos, ejecutar celdas, esperar y apagar. Un agente no tiene una terminal interactiva y tampoco debe manejar credenciales de Google.

Cómo lo resuelve

Un servidor MCP que envuelve el CLI oficial de Colab. Los permisos de Google los aprueba la persona en el navegador; el modelo nunca ve contraseñas, códigos ni tokens. Las rutas locales quedan confinadas a una carpeta, no hay shell y el borrado envía los archivos a una papelera.

Alcances

  • Enciende y apaga máquinas de Colab, ejecuta trabajos y los vigila.
  • Sube y descarga archivos, y monta Google Drive con un pseudo-terminal propio.
  • Aprobación de permisos por la persona; el modelo no recibe credenciales.
  • Rutas locales confinadas a una carpeta; el borrado va a una papelera.

Limitaciones

  • No es oficial y no tiene relación con Google.
  • Una sola prueba en vivo; no se midieron tiempos ni tasa de éxito.
  • Probado solo en macOS y con Claude.
  • Las herramientas de Drive se probaron contra una API simulada.
  • Con Drive montado en la máquina virtual, el código que corre ahí puede leer todo el Drive.
  • Publicado en PyPI en versión 0.1.0, estado Alpha. Esa versión no se puede reemplazar: una corrección sale como 0.1.1.

Costos

Tiempo de construcción y pruebas
1 día (unas 2 horas de pruebas)
Uso de la sesión de Claude (Sonnet 5.5)
10 % a 15 % (estimación; no se midieron los tokens)

Resultado verificado

10
videos procesados en la prueba en vivo
6,7 GB
de datos en esa prueba
0
errores en esa prueba

Cómo se probó

Probar algo que depende de la cuenta de Google de una persona se resolvió en tres capas:

  1. Un CLI de Colab simulado que ejecuta el código real, sin cuenta ni red.
  2. Un cliente MCP real conectado al servidor, igual que lo haría Claude.
  3. Una prueba en vivo con un trabajo real.

Las dos primeras capas demuestran que el código hace lo esperado; no demuestran que Google responda igual. Esa es la función de la prueba en vivo.

Casos de uso posibles

Hasta ahora se usó en un solo caso. Lo siguiente son posibilidades, no resultados.

  • Academia. Un curso donde cada estudiante pide una GPU sin tener una; un agente que corre los cuadernos de la clase y devuelve resultados.
  • Laboratorios de investigación. Repetir un experimento con distintas semillas y recoger los resultados al día siguiente; comparar modelos con el mismo conjunto de pruebas.
  • Big data e inteligencia. Procesar lotes grandes de texto, audio o video con un modelo y dejar los resultados ordenados en Drive.
  • Casos ambiciosos. Un agente que reciba una pregunta de investigación, diseñe el experimento, lo corra en GPU, lea los resultados y lo ajuste. Reproducir el experimento de un artículo científico de forma automática. Evaluar cada modelo nuevo apenas salga.

Ninguno de estos casos está probado.

Próximo uso

Se usará en un experimento aparte: probar 6 modelos, uno de ellos Gemma, de pesos abiertos. Aún no se ha hecho, por eso no hay resultados.

Cómo se publicó en PyPI

Antes el servidor vivía solo en GitHub: para usarlo había que clonar el repositorio y configurar rutas a mano. Ahora es un paquete en PyPI, el catálogo oficial de paquetes de Python, y se ejecuta sin clonar nada.

  1. Se preparó el paquete: nombre, licencia, versión 0.1.0, descripción y README.
  2. Se creó un workflow de GitHub que prueba el código, construye el paquete y lo sube.
  3. Se ensayó primero en TestPyPI, una copia de práctica de PyPI.
  4. Se publicó en el PyPI real con la etiqueta v0.1.0.
  5. Se instaló desde PyPI y se verificó que arranca con sus 42 herramientas.

La publicación usa Trusted Publishing: PyPI solo acepta publicaciones del repositorio amgallego8/Colab-MCP, con ese workflow y con un entorno aprobado por su autor. Por eso no hay contraseña ni token guardado en GitHub. Las publicaciones futuras pasan por las pruebas y por esa aprobación.

Estar en PyPI no significa que tenga usuarios ni que esté validado en vivo con todo lo que promete. El estado es Alpha y el README lista las partes no probadas.

Instalación

uvx colab-cli-mcp

También se puede instalar con pip install colab-cli-mcp, o clonando el repositorio:

git clone https://github.com/amgallego8/Colab-MCP ~/Colab-MCP && cd ~/Colab-MCP
bash install.sh

Enlaces

Colaboraciones

Proyectos, investigación o ideas que valga la pena construir juntos.

info@angelgallego.comEscríbeme →