核心摘要 (TL;DR)

• 痛点解决：彻底告别 Kaggle 网页版 Notebook 糟糕的补全、延迟和难以管理的依赖。
• 核心方案：采用 VS Code 官方的 Remote Tunnels（远程隧道）技术，无需内网穿透工具，原生接入。
• 实战流程：Kaggle 开启 Internet -> 运行 VS Code CLI 脚本 -> GitHub 授权 -> 本地一键连接。

前言

平时使用Kaggle来进行开发，稍微小一点的学习项目还是可以轻松搞定的，但是涉及到复杂一点的debug，Kaggle自带的网页端Jupyter Notebook界面就不好用了，没办法自动补全，没办法断点调试，也没法用习惯的vscode插件，也没法做多文件管理。

基于此，稍微倒腾研究了一下，如何在本地VS-Code连接Kaggle的算力资源来进行开发。这里介绍使用VS Code官方提供的 Remote Tunnels方案。

在开始动手前，我们先看看目前市面上几种主流的连接方案：

2. Kaggle 端配置

首先，我们需要在 Kaggle 的服务器上把隧道“打通”。

2.1 环境检查

打开你的 Kaggle Notebook，在右侧的 Settings 面板中务必检查两项：

• Internet on: 必须开启（用于下载 VS Code CLI 并建立外网连接）。
• Accelerator: 选择 GPU T4 x2 或 GPU P100。

2.2 运行启动脚本

在新的Code Cell中运行以下下载VS Code CLI，以及启动Tunnels的脚本。

运行脚本

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

import os
import subprocess
import threading
import time
import sys


if not os.path.exists('code'):
    print("正在下载 VS Code CLI...")
    subprocess.run("curl -Lk '[https://code.visualstudio.com/sha/download?build=stable&os=cli-alpine-x64](https://code.visualstudio.com/sha/download?build=stable&os=cli-alpine-x64)' --output vscode_cli.tar.gz", shell=True)
    subprocess.run("tar -xf vscode_cli.tar.gz", shell=True)
    subprocess.run("rm vscode_cli.tar.gz", shell=True)
    print("下载完成。")


def heartbeat():
    """
    每隔 10 分钟向 stderr 写入一次心跳信息并进行微量计算，
    防止 Kaggle Kernel 判定为闲置。
    """
    while True:
        current_time = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())
        
        sys.stderr.write(f"\n[Heartbeat] 节点活跃中 - {current_time}\n")
        sys.stderr.flush()

        
        _ = [i**2 for i in range(100)]

        time.sleep(600) 


t = threading.Thread(target=heartbeat, daemon=True)
t.start()
print("后台保活心跳已启动。")


print("正在启动 VS Code Tunnel...")
print("请关注下方输出，访问 [github.com/login/device](https://github.com/login/device) 并输入 8 位验证码。")


os.system("./code tunnel --accept-server-license-terms --name kaggle-gpu-node")

2.3 完成身份验证

运行后，观察输出日志。你会看到类似这样的一行：
To grant access to the server, please log into https://github.com/login/device and use code XXXX-XXXX

1. 点击链接，输入输出结果中的 8 位验证码。
2. 授权成功后，Kaggle 终端会输出连接成功的消息。

3. 第二步：本地 VS Code 的“空降”连接

现在，回到你自己的电脑前。

1. 安装插件：打开本地 VS Code，搜索并安装插件 Remote - Tunnels (由 Microsoft 开发)。
2. 账号登录：点击 VS Code 左下角的“账户”图标，确保登录的是刚才授权验证码的那个 GitHub 账号。
3. 连接隧道：
   • 点击左下角的 蓝色远程图标（两个大于/小于号）。
   • 选择 Connect to Tunnel。
   • 在列表中选择你刚才命名的 kaggle-gpu-node。

4. 关键避坑指南

4.1 保持页面活跃

这是最核心的一点：Kaggle 网页版必须保持开启状态。
虽然脚本里面写了心跳机制去保活，但还是要注意以下几点

• 标签页置顶：尽量不最小化Kaggle标签页。
• 控制心跳频率：Kaggle后台有审计，不能把心跳频率设置得过高，比如1秒1次。10分钟1次是一个合理的值。

4.2 持久化存储

• 项目代码：请务必在 /kaggle/working 目录下创建你的项目。只有这个目录下的内容在 Session 存续期间是相对安全的。
• 环境安装：由于每次启动 Session 都是全新的镜像，建议将环境依赖写成 requirements.txt，或者用uv来进行项目管理。连接上 VS Code 后，直接在内置终端里执行 pip install或者uv sync。

4.3 GPU 状态检查

进入 VS Code 远程环境后，打开终端（Ctrl + `），输入以下命令确认算力就绪：

1

nvidia-smi

5. 常见问题 (Q&A)

Q1: 为什么我的 VS Code 连不上，一直卡在 Connecting？
A: 请按以下顺序排查：

• Internet 开关：检查 Kaggle Settings 的 Internet 是否为 On。
• GitHub 账号一致性：确保你授权验证码的账号与本地 VS Code 登录的账号是同一个。
• CLI 版本：如果你手动修改了脚本，请确保下载的是 linux-x64 的 CLI 版本。

Q2: 我可以在 VS Code 里直接打开多个文件夹吗？
A: 可以。隧道建立的是“机器级”的连接。连接成功后，你可以通过 File -> Open Folder 切换到 /kaggle/working 或根目录下的任何位置。

Q3: 这种方式会消耗 Kaggle 的 GPU 额度吗？
A: 会。 只要你的交互式 Session 处于 Running 状态且开启了 Accelerator，就会扣除周度配额。注意： 当你完成调试时，务必点击 Kaggle 网页端的 Stop Session，仅仅关闭本地 VS Code 不会停止计费。

Q4: 为什么我每次重连，VS Code 都要重新安装 Python 插件？
A: 这是因为 Kaggle 的系统盘（根目录 /）是非持久化的。每次 Session 重启，VS Code Server 组件都会丢失。建议开启 VS Code 的 Settings Sync，让其在连入后自动后台安装插件。

Q5: 我在根目录下安装的库，断开重连后找不到了？
A: 重点！ 只有 /kaggle/working 目录在同一个 Session 内是相对持久的。建议在 /kaggle/working 下使用 uv 创建虚拟环境 .venv，这样即便断连，只要你没 Stop Session，环境就依然在。

Q6: 远程调试时 GPU 显存溢出（OOM）了怎么办？
A: 隧道不会自动感知显存回收。如果脚本崩溃但显存没释放，请在 VS Code 终端执行：

1
2
3

fuser -v /dev/nvidia*

kill -9 <PID>

Q7: Kaggle 的 Session 时长限制怎么办？
A: 这是一个硬限制（通常为 12 小时）。即使有保活脚本，Kaggle 也会强行关闭。建议在 VS Code 中完成代码调试后，通过 Save Version 提交后台任务进行长时间训练。