Google Colab CLI 출시: AI 에이전트가 원격 GPU·TPU에서 코드 실행하는 시대

지금까지 Colab을 쓰려면 브라우저를 열어야 했습니다. 이제 터미널 한 줄이면 H100을 바로 붙일 수 있습니다. 그리고 그 명령을 사람 대신 Claude Code가 날릴 수 있습니다.

핵심 요약 → Google Colab CLI, 2026년 6월 5일 공식 발표, Apache 2.0 오픈소스 → 로컬 터미널에서 명령 한 줄로 Colab 원격 GPU·TPU 세션 즉시 프로비저닝 → 지원 GPU: T4·L4·A100·H100 / 지원 TPU: v5e·v6e → 로컬 .py·.ipynb 파일을 업로드 없이 원격 실행하는 colab exec 지원 → Claude Code·Codex·Antigravity 등 AI 에이전트가 CLI를 직접 구동 가능 → COLAB_SKILL.md 스킬 파일 번들 제공, 에이전트가 CLI 사용법을 컨텍스트로 즉시 활용 → colab log로 재현 가능한 노트북 로그 내보내기 지원 → 설치: uv tool install git+https://github.com/googlecolab/google-colab-cli 단 한 줄 → 기존 Colab 요금제 그대로 적용: Free·Pro($11.99/월)·Pro+($49.99/월) → 2026년 3월 출시된 Colab MCP Server의 후속 도구로 에이전틱 ML 파이프라인 완성

---

실전 1: 기존 Colab의 가장 큰 문제가 뭐였나

Colab은 수년간 ML 개발자들의 기본 환경이었습니다. 무료로 GPU를 쓸 수 있고, 설정이 필요 없고, 브라우저만 있으면 됩니다. 그런데 쓰다 보면 반드시 막히는 지점들이 있었습니다.

첫 번째 문제는 브라우저 의존성이었습니다. Colab은 무조건 브라우저에서 열어야 했습니다. 로컬에서 작업하다가 GPU가 필요한 부분만 클라우드로 보내고 싶어도, 브라우저를 열고, 파일을 업로드하고, 셀을 직접 실행하고, 결과를 다시 다운로드하는 과정을 수동으로 거쳐야 했습니다. 스크립트로 자동화할 수 없었습니다.

두 번째 문제는 세션 불안정성이었습니다. 무료 티어는 12시간 세션 제한이 있고, 비활성 상태가 되면 자동으로 끊깁니다. 긴 학습 작업 중간에 세션이 끊기면 처음부터 다시 해야 했습니다.

세 번째 문제는 AI 에이전트 통합 불가였습니다. Claude Code나 Codex 같은 코딩 에이전트가 자동으로 ML 워크로드를 실행하게 만들려면, 에이전트가 프로그래밍 방식으로 Colab 세션을 제어할 수 있어야 합니다. 브라우저 기반 인터페이스에서는 이게 불가능했습니다.

Colab CLI는 이 세 가지를 한 번에 해결합니다.

---

실전 2: Colab CLI로 뭘 할 수 있나 — 명령어 완전 정리

Colab CLI는 로컬 터미널과 원격 Colab 런타임을 연결하는 도구입니다. 제로 프릭션 가속기 프로비저닝, 원격 실행, 아티팩트 복구, 인터랙티브 접근의 네 가지 핵심 기능을 제공합니다.

명령어 구조는 세션 관리, 실행, 파일 관리, 인증 네 그룹으로 나뉩니다.

세션 관리

# CPU 세션 프로비저닝 (기본값)
colab new

# GPU 세션 프로비저닝
colab new --gpu T4      # 무료·Pro 티어
colab new --gpu L4      # Pro 이상
colab new --gpu A100    # Pro+ 이상
colab new --gpu H100    # Pro+ 이상

# TPU 세션 프로비저닝
colab new --tpu v5e1
colab new --tpu v6e1

# 세션 종료 및 VM 반납
colab stop

코드 실행

# stdin으로 직접 실행
echo "print('hello world')" | colab exec

# 로컬 Python 파일 원격 실행
colab exec train.py

# 로컬 노트북 파일 원격 실행
colab exec experiment.ipynb

# 인터랙티브 REPL 접속
colab repl

# 인터랙티브 콘솔 접속
colab console

파일 관리

# 로컬 → 원격 업로드
colab upload model_weights.pt

# 원격 → 로컬 다운로드 (학습 결과, 체크포인트 등)
colab download ./output/

# Google Drive 마운트 (기본 경로: /content/drive)
colab drivemount

# 재현 가능한 노트북 로그 내보내기
colab log

인증

# VM에서 Google Cloud 서비스 인증
colab auth

핵심 루프는 짧습니다. 런타임을 프로비저닝하고, 스크립트를 실행하고, 결과를 다시 가져옵니다. colab exec는 파일을 로컬에서 읽어 원격으로 전송하기 때문에 별도 업로드 단계가 필요 없습니다.

---

실전 3: AI 에이전트 통합 — 이게 핵심입니다

Colab CLI가 단순한 편의 도구에 그쳤다면 주목받을 이유가 없었습니다. 진짜 중요한 건 AI 에이전트 통합입니다.

Google은 CLI와 함께 COLAB_SKILL.md라는 스킬 파일을 번들로 제공합니다. 이 파일은 Claude Code, Codex, Antigravity 같은 터미널 기반 AI 에이전트에게 CLI 사용법을 컨텍스트로 제공합니다.

이게 어떤 의미인지 구체적으로 살펴보겠습니다.

지금까지 AI 코딩 에이전트의 가장 큰 한계 중 하나는 GPU 컴퓨트 접근이었습니다. Claude Code가 파이썬 코드를 작성하고 실행하는 건 할 수 있지만, "이 코드를 A100에서 실행해"라는 명령을 받으면 로컬 머신에 GPU가 없는 한 실행할 방법이 없었습니다.

COLAB_SKILL.md가 에이전트 컨텍스트에 로드되면 에이전트가 Colab CLI 명령어를 직접 호출할 수 있게 됩니다. 즉, Claude Code에게 "Gemma 3 1B를 QLoRA로 파인튜닝해줘"라고 하면 에이전트가 스스로 colab new --gpu T4 → colab exec finetune.py → colab download ./checkpoints/ 시퀀스를 실행할 수 있습니다.

실제 데모에서는 에이전트가 T4 GPU에서 단 5개 명령으로 Gemma 3 1B를 QLoRA 방식으로 파인튜닝하는 것을 보여줍니다.

이전에는 이 작업을 하려면 개발자가 직접 브라우저를 열고, 노트북을 업로드하고, 셀을 실행하고, 결과를 다운로드해야 했습니다. 이제 에이전트에게 목표를 말하면 됩니다.

---

실전 4: 실전 시나리오 3가지

시나리오 1 — 로컬 개발 + 원격 GPU 학습 분리

# 1. 로컬에서 코드 작성 완료
vim train.py

# 2. A100 세션 프로비저닝
colab new --gpu A100

# 3. 로컬 파일 그대로 원격 실행 (업로드 불필요)
colab exec train.py

# 4. 학습 완료 후 체크포인트 다운로드
colab download ./output/checkpoints/

# 5. 세션 종료
colab stop

기존 방식과 비교하면 브라우저 열기, 파일 수동 업로드, 셀 수동 실행, 결과 수동 다운로드 단계가 전부 사라집니다.

시나리오 2 — CI/CD 파이프라인 통합

모델 학습을 GitHub Actions나 Jenkins 파이프라인에 통합할 수 있습니다. PR이 머지되면 자동으로 Colab GPU에서 학습 잡이 트리거되는 구조를 CLI로 구현할 수 있습니다.

# GitHub Actions 워크플로우 내 스텝 예시
- name: Train on Colab GPU
  run: |
    colab new --gpu A100
    colab exec src/train.py
    colab download ./artifacts/
    colab stop

시나리오 3 — Claude Code 에이전트 자율 실행

COLAB_SKILL.md를 Claude Code 프로젝트에 추가하면 에이전트가 GPU 워크로드를 자율적으로 처리합니다.

# Claude Code에게 지시
"데이터셋 준비 완료됐어. T4 GPU에서 BERT 파인튜닝 돌리고 
F1 스코어 나오면 알려줘."

# 에이전트가 자동으로 실행
colab new --gpu T4
colab exec finetune_bert.py
colab download ./results/metrics.json
[F1 스코어: 0.892 — 학습 완료]

---

실전 5: 요금제별 사용 가능한 GPU 정리

Colab CLI는 기존 Colab 요금제를 그대로 따릅니다. 새로운 별도 과금은 없습니다.

티어 월 비용 사용 가능 GPU 세션 시간 특징

Free	무료	T4 (가용 시)	최대 12시간	보장 없음, 유휴 시 자동 종료
Pro	$11.99	T4·L4 우선 접근	더 긴 세션	컴퓨트 유닛 기반 과금
Pro+	$49.99	A100·H100 접근 가능	백그라운드 실행	높은 컴퓨트 유닛 쿼터
Pay-as-you-go	사용량	Pro+ 동일	-	100 CU = $9.99

컴퓨트 유닛(CU) 소진 기준: T4는 시간당 1.76 CU, A100은 시간당 약 15 CU 소모됩니다. 100 CU 기준으로 T4는 약 57시간, A100은 약 7시간 사용 가능합니다.

Pro+ 구독($49.99/월)과 RunPod 같은 전용 GPU 클라우드를 비교하면, 같은 금액으로 RunPod의 A100 온디맨드($0.99/hr 기준)를 약 50시간 쓸 수 있어 2~3배 더 많은 A100 시간을 확보할 수 있습니다. 단, Colab은 환경 설정 없이 바로 쓸 수 있다는 편의성이 강점입니다.

---

실전 6: Colab MCP Server와의 차이 — 언제 뭘 써야 하나

Colab CLI는 2026년 3월 출시된 Colab MCP Server의 후속 도구로, 두 도구가 결합되어 에이전틱 ML 파이프라인을 완성합니다.

두 도구의 역할이 다릅니다.

도구 역할 주요 사용처

Colab MCP Server	AI 에이전트가 Colab 노트북을 MCP 프로토콜로 직접 제어	Claude Desktop, Cursor 등 MCP 지원 IDE
Colab CLI	터미널·스크립트·에이전트가 Colab 세션을 CLI로 제어	Claude Code, Codex, 쉘 스크립트, CI/CD

MCP Server는 노트북 인터페이스와 통합할 때, CLI는 터미널 기반 자동화와 에이전트 워크플로우에 씁니다. 두 도구를 함께 쓰면 노트북 기반 탐색적 분석과 스크립트 기반 자동화 학습을 하나의 에이전틱 파이프라인으로 연결할 수 있습니다.

---

실전 7: 설치 및 첫 실행 — 바로 따라하기

설치

# uv로 설치 (권장)
uv tool install git+https://github.com/googlecolab/google-colab-cli

# pip으로 설치
pip install google-colab-cli

첫 세션 실행

# 1. Google 계정 인증
colab auth login

# 2. T4 GPU 세션 프로비저닝
colab new --gpu T4

# 3. 간단한 GPU 확인 코드 실행
echo "import torch; print(torch.cuda.get_device_name(0))" | colab exec
# 출력: Tesla T4

# 4. 세션 종료
colab stop

Claude Code와 통합

# 프로젝트 루트에 COLAB_SKILL.md 추가
# (GitHub 저장소에서 다운로드)
curl -O https://raw.githubusercontent.com/googlecolab/google-colab-cli/main/COLAB_SKILL.md

# Claude Code 실행 시 자동으로 스킬 파일 인식
claude code .

---

✅ 정리 → Colab CLI로 브라우저 없이 터미널에서 T4~H100, TPU v5e·v6e 즉시 프로비저닝 → colab exec로 로컬 파일 업로드 없이 원격 실행, colab download로 결과 즉시 회수 → COLAB_SKILL.md로 Claude Code·Codex·Antigravity 등 AI 에이전트가 GPU 워크로드 자율 실행 → 기존 Colab 요금제(Free·Pro·Pro+) 그대로 적용, 별도 과금 없음 → CI/CD 파이프라인 통합 가능, 모델 학습 자동화 구조 구현 가능 → Apache 2.0 오픈소스, uv tool install 단 한 줄로 설치

❌ 한계 → Free 티어 T4는 가용성 보장 없음, 긴 학습 작업은 세션 끊김 리스크 존재 → A100·H100은 Pro+ 구독 필요, 동일 비용 대비 전용 클라우드(RunPod 등)보다 GPU 시간 적음 → H100 접근은 가용성 기반, 배정 보장 안 됨