Google releases colab-mcp: how agents automate Colab notebooks in production

Google выпустила открытый сервер colab-mcp, который позволяет AI-агентам управлять ноутбуками Google Colab через MCP и выполнять код в рантайме без ручной работы в интерфейсе.

Как устроен colab-mcp colab-mcp — это MCP-сервер для

Google Colab, который превращает браузерный ноутбук в программируемую рабочую среду. Агент может не только читать структуру ноутбука, но и добавлять ячейки, запускать код и получать результаты обратно в виде обычных tool calls. В разборе показано, как эта схема собирается от базового реестра инструментов до полноценного сервера на FastMCP, чтобы разработчик понимал не только API, но и внутреннюю механику регистрации тулов, JSON Schema и асинхронного диспетчинга.

Авторы начинают с минимального MCPToolRegistry, собранного вручную на Python. На этом примере видно, как функция превращается в инструмент, как из type hints строится схема параметров и как клиент вызывает tool по имени с аргументами. Такой заход полезен не только для Colab: он объясняет базовую модель MCP без магии фреймворка и помогает понять, что именно делает FastMCP под капотом, когда агенту показывают список доступных действий.

Отдельный акцент сделан на том, что Google использует двухрежимную архитектуру. В Session Proxy Mode агент работает через WebSocket-мост между локальным MCP-клиентом и открытым в браузере Colab. В Runtime Mode он идет напрямую к ядру и выполняет Python-код без визуальных действий в интерфейсе.

Это разделение важно: первый режим удобен для интерактивной работы с ноутбуком, второй — для headless-сценариев, где нужен прямой запуск вычислений и устойчивое выполнение кода на стороне рантайма.

Пять шагов к агенту

Практическая часть разбита на пять самостоятельных блоков, которые ведут от демо к продакшен-паттернам. Сначала автор собирает минимальный MCP-реестр вручную и регистрирует инструменты вроде execute_code, add_code_cell, add_text_cell и get_cells. Затем тот же подход переносится на FastMCP, где поднимается уже более реалистичный сервер с набором proxy- и runtime-инструментов.

Это дает не абстрактную архитектуру, а последовательный путь: сначала понять протокол, потом заменить самодельные детали на рабочую инфраструктуру. Дальше tutorial показывает, как выглядит живая связка между агентом и Colab. В примере поднимается защищенный WebSocket-сервер с токеном, эмулируется подключение браузерного клиента и проверяется прохождение JSON-RPC-вызовов между фронтендом и MCP-клиентом.

После этого строится runtime-движок с постоянным состоянием, lazy initialization и обработкой вывода в стиле Jupyter. То есть агент видит не просто факт выполнения кода, а структурированный результат, ошибки и промежуточные данные, с которыми можно продолжить следующий шаг. Следующий уровень — полноценный цикл агента.

Он получает задачу на естественном языке, выбирает нужный tool, исполняет код, анализирует результат и при необходимости делает еще один шаг. Именно такой шаблон, по словам авторов, используется в реальных связках с Claude Code и Gemini CLI. В итоге Colab становится не отдельной вкладкой для ручной работы, а вычислительным бэкендом, которым LLM может управлять как частью общего workflow.

• Базовый MCP-реестр и генерация схем Переход на FastMCP и более реалистичный сервер Session Proxy Mode с WebSocket, токеном и JSON-RPC Runtime Mode с прямым выполнением кода и состоянием ядра Полный agent loop с выбором tools и анализом результатов ## Надежность и запуск Самая прикладная часть — продакшен-оркестрация поверх рантайма. В статье показан RobustNotebookOrchestrator, который добавляет автоматические повторы с exponential backoff, таймауты через asyncio.wait_for и зависимое исполнение ячеек. Если одна ячейка падает, downstream-шаги можно пропустить, а отдельные блоки при необходимости запустить принудительно. Такой подход полезен для длинных ноутбуков, GPU-задач и пайплайнов, где ошибка в середине не должна ломать весь процесс непредсказуемо, а должна корректно локализоваться и логироваться. В демонстрации исполняется ноутбук из семи ячеек: несколько проходят успешно, одна специально вызывает NameError, одна автоматически пропускается из-за зависимости, а еще одна запускается несмотря на предыдущий сбой. После этого система выводит структурированный отчет по каждой ячейке — со статусом, длительностью и числом повторов. Это уже не уровень игрушечного демо, а заготовка под реальные исследовательские и инженерные сценарии, где важны наблюдаемость, контроль ошибок и предсказуемость исполнения. Автор также показывает быстрый путь к запуску без большой интеграции: установить uv, добавить colab-mcp в MCP-конфиг, открыть Colab в браузере и дать агенту команду на естественном языке, например собрать ноутбук для анализа данных. Поддерживаются популярные локальные клиенты вроде Claude Code, Gemini CLI и Windsurf, а для кастомных агентов показан шаблон подключения через API с описанием tools и циклом обработки tool_use. Это снижает порог входа: сначала можно подключить готовый клиент, а уже потом писать собственную агентную обвязку.

Что это значит colab-mcp двигает

Google Colab из режима ручного ноутбука в сторону программируемой среды для AI-агентов. Для разработчиков это прямой путь к автоматизации анализа данных, экспериментов и обучения моделей без написания отдельной UI-автоматики и без постоянного переключения между чатом, кодом и браузером. Если инструмент закрепится в экосистеме MCP, Colab может стать одним из самых удобных вычислительных бекендов для агентных сценариев.