Google lanza colab-mcp: cómo los agentes automatizan los cuadernos de Colab en producción

Google ha lanzado colab-mcp, un servidor abierto que permite a los agentes de IA controlar los cuadernos de Google Colab mediante MCP y ejecutar código en el entorno de ejecución sin trabajo manual en la interfaz.

Cómo funciona colab-mcp

colab-mcp es un servidor MCP para Google Colab que convierte un cuaderno de navegador en un entorno de trabajo programable. El agente no solo puede leer la estructura del cuaderno: también puede añadir celdas, ejecutar código y recibir los resultados como llamadas a herramientas (tool calls) normales.

El análisis muestra cómo se monta este esquema, desde un registro básico de herramientas hasta un servidor completo con FastMCP, para que el desarrollador entienda no solo la API, sino también la mecánica interna del registro de herramientas, JSON Schema y el despacho asíncrono.

Los autores parten de un MCPToolRegistry mínimo escrito a mano en Python. El ejemplo muestra cómo una función se convierte en herramienta, cómo se construye el esquema de parámetros a partir de las anotaciones de tipos (type hints) y cómo el cliente llama a una herramienta por su nombre con argumentos. Este enfoque sirve más allá de Colab: explica el modelo básico de MCP sin la magia del framework y ayuda a entender qué hace FastMCP por debajo cuando se muestra al agente la lista de acciones disponibles.

Los autores ponen un énfasis especial en que Google usa una arquitectura de dos modos. En Session Proxy Mode, el agente trabaja a través de un puente WebSocket entre el cliente MCP local y Colab abierto en el navegador. En Runtime Mode, va directamente al kernel y ejecuta código Python sin acciones visuales en la interfaz. La separación importa: el primer modo es cómodo para el trabajo interactivo con el cuaderno; el segundo, para escenarios headless en los que hace falta lanzar cálculos directamente y ejecutar código de forma estable en el entorno de ejecución.

Cinco pasos hasta el agente

La parte práctica se divide en cinco bloques independientes que llevan de la demo a patrones de producción. Primero, el autor monta a mano un registro MCP mínimo y registra herramientas como execute_code, add_code_cell, add_text_cell y get_cells. Después, el mismo enfoque se traslada a FastMCP, donde se levanta un servidor más realista con un conjunto de herramientas de proxy y de runtime. El resultado no es una arquitectura abstracta, sino un camino secuencial: primero entender el protocolo y luego sustituir las piezas caseras por infraestructura que funciona.

A continuación, el tutorial muestra cómo es la conexión real entre un agente y Colab. El ejemplo levanta un servidor WebSocket protegido con token, emula la conexión de un cliente de navegador y comprueba que las llamadas JSON-RPC circulan entre el frontend y el cliente MCP. Después se construye un motor de runtime con estado persistente, inicialización perezosa (lazy initialization) y gestión de la salida al estilo Jupyter. Es decir, el agente no ve solo que el código se ejecutó, sino un resultado estructurado, errores y datos intermedios con los que puede seguir en el siguiente paso.

El siguiente nivel es un bucle de agente completo. El agente recibe una tarea en lenguaje natural, elige la herramienta adecuada, ejecuta código, analiza el resultado y, si hace falta, da otro paso. Según los autores, este es el patrón que se usa en integraciones reales con Claude Code y Gemini CLI. Así, Colab deja de ser una pestaña aparte para el trabajo manual y se convierte en un backend de cómputo que un LLM puede controlar como parte de un flujo de trabajo más amplio.

• Registro MCP básico y generación de esquemas
• Paso a FastMCP y a un servidor más realista
• Session Proxy Mode con WebSocket, token y JSON-RPC
• Runtime Mode con ejecución directa de código y estado del kernel
• Bucle de agente completo con selección de herramientas y análisis de resultados

Fiabilidad y puesta en marcha

La parte más aplicada es la orquestación de producción sobre el runtime. El artículo presenta RobustNotebookOrchestrator, que añade reintentos automáticos con exponential backoff, tiempos de espera mediante asyncio.wait_for y ejecución de celdas con dependencias. Si una celda falla, los pasos posteriores pueden omitirse, y algunos bloques pueden forzarse a ejecutarse si hace falta. Este enfoque resulta útil en cuadernos largos, tareas de GPU y pipelines en los que un error a mitad de camino no debe romper todo el proceso de forma impredecible, sino localizarse y registrarse correctamente.

La demostración ejecuta un cuaderno de siete celdas: varias terminan bien, una provoca a propósito un NameError, otra se omite automáticamente por una dependencia y otra se ejecuta a pesar del fallo anterior. Después el sistema muestra un informe estructurado por celda, con estado, duración y número de reintentos. Ya no es una demo de juguete, sino una base para escenarios reales de investigación e ingeniería en los que importan la observabilidad, el control de errores y la previsibilidad de la ejecución.

El autor también muestra un camino rápido para empezar sin una integración grande: instalar uv, añadir colab-mcp a la configuración de MCP, abrir Colab en el navegador y dar al agente una orden en lenguaje natural, por ejemplo, crear un cuaderno para análisis de datos. Se admiten clientes locales populares como Claude Code, Gemini CLI y Windsurf, y para agentes personalizados se incluye una plantilla de conexión mediante API con descripción de herramientas y un bucle de gestión de tool_use. Esto reduce la barrera de entrada: primero se puede conectar un cliente ya hecho y escribir después la propia capa del agente.

Qué significa

colab-mcp acerca Google Colab, de un cuaderno manual, a un entorno programable para agentes de IA. Para los desarrolladores, es un camino directo para automatizar el análisis de datos, los experimentos y el entrenamiento de modelos sin escribir automatización de interfaz aparte y sin cambiar constantemente entre chat, código y navegador.

Si la herramienta se consolida en el ecosistema MCP, Colab podría convertirse en uno de los backends de cómputo más cómodos para escenarios con agentes.