🪐🔧 Jupyter MCP Server

Сервер MCP, разработанный для подключения ИИ к блокнотам Jupyter и управления ими в режиме реального времени

Разработано Datalayer

📖 Содержание

• Основные возможности

• Обзор MCP

• Начало работы

• Рекомендации

• Участие в разработке

• Ресурсы

Related MCP server: Code Summarizer MCP

🚀 Основные возможности

• ⚡ Управление в реальном времени: Мгновенный просмотр изменений в блокноте по мере их появления.

• 🔁 Умное выполнение: Автоматическая корректировка при сбое выполнения ячейки благодаря обратной связи от вывода ячейки.

• 🧠 Контекстно-зависимый: Понимает весь контекст блокнота для более релевантных взаимодействий.

• 📊 Мультимодальная поддержка: Поддержка различных типов вывода, включая изображения, графики и текст.

• 📚 Поддержка нескольких блокнотов: Легкое переключение между несколькими блокнотами.

• 🎨 Интеграция с JupyterLab: Улучшенная интеграция пользовательского интерфейса, например, автоматическое открытие блокнотов.

• 🤝 Совместимость с MCP: Работает с любым MCP-клиентом, таким как Claude Desktop, Cursor, Windsurf и другими.

• 🔍 Наблюдаемость: Встроенная система хуков с интеграцией OpenTelemetry для трассировки вызовов инструментов и выполнения ядра.

Совместим с любым развертыванием Jupyter (локальным, JupyterHub, ...) и с блокнотами, размещенными на Datalayer.

🔧 Обзор MCP

🔧 Обзор инструментов

Сервер предоставляет богатый набор инструментов для взаимодействия с блокнотами Jupyter, разбитых на категории. Для получения более подробной информации о каждом инструменте, его параметрах и возвращаемых значениях, пожалуйста, обратитесь к официальной документации по инструментам.

Инструменты управления сервером

Инструменты управления несколькими блокнотами

Инструменты операций с ячейками и выполнения

Интеграция с JupyterLab

Доступно только при включенном режиме JupyterLab. Включен по умолчанию.

При работе в режиме JupyterLab, Jupyter MCP Server интегрируется с jupyter-mcp-tools для предоставления дополнительных команд JupyterLab в качестве инструментов MCP. По умолчанию включены следующие инструменты:

Теперь вы можете настроить, какие инструменты из jupyter-mcp-tools будут доступны, используя параметр конфигурации allowed_jupyter_mcp_tools. Это позволяет включить дополнительные операции с блокнотами, консольные команды, инструменты управления файлами и многое другое.

# Example: Enable additional tools via command-line
jupyter lab --port 4040 --IdentityProvider.token MY_TOKEN --JupyterMCPServerExtensionApp.allowed_jupyter_mcp_tools="notebook_run-all-cells,notebook_get-selected-cell,notebook_append-execute,console_create"

Полный список доступных инструментов и подробные инструкции по настройке см. в документации по дополнительным инструментам.

📝 Обзор промптов

Сервер также поддерживает функцию промптов MCP, предоставляя пользователю простой способ взаимодействия с блокнотами Jupyter.

Для получения более подробной информации о каждом промпте, его входных параметрах и возвращаемом содержимом, пожалуйста, обратитесь к официальной документации по промптам.

🏁 Начало работы

Для получения полных инструкций по настройке — включая транспорт Streamable HTTP, запуск в качестве расширения Jupyter Server и расширенную конфигурацию — ознакомьтесь с нашей документацией. Или начните работу быстро с JupyterLab и транспортом STDIO ниже.

1. Настройка окружения

pip install jupyterlab==4.4.1 jupyter-collaboration==4.0.2 jupyter-mcp-tools>=0.1.4 ipykernel
pip uninstall -y pycrdt datalayer_pycrdt
pip install datalayer_pycrdt==0.12.17

2. Запуск JupyterLab

# Start JupyterLab on port 8888, allowing access from any IP and setting a token
jupyter lab --port 8888 --IdentityProvider.token MY_TOKEN --ip 0.0.0.0

3. Настройка предпочитаемого MCP-клиента

Затем настройте свой MCP-клиент для подключения к серверу. Мы предлагаем два основных метода — выберите тот, который лучше всего соответствует вашим потребностям:

• 📦 Использование uvx (рекомендуется для быстрого старта): Легкий и быстрый метод с использованием uv. Идеально подходит для локальной разработки и новых пользователей.

• 🐳 Использование Docker (рекомендуется для продакшена): Контейнеризированный подход, который обеспечивает согласованную и изолированную среду, идеально подходящую для продакшена или сложных настроек.

Сначала установите uv:

pip install uv
uv --version
# should be 0.6.14 or higher

Подробнее см. в установке uv.

Затем настройте свой клиент:

{
  "mcpServers": {
    "jupyter": {
      "command": "uvx",
      "args": ["jupyter-mcp-server@latest"],
      "env": {
        "JUPYTER_URL": "http://localhost:8888",
        "JUPYTER_TOKEN": "MY_TOKEN",
        "ALLOW_IMG_OUTPUT": "true"
      }
    }
  }
}

В macOS и Windows:

{
  "mcpServers": {
    "jupyter": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-e", "JUPYTER_URL",
        "-e", "JUPYTER_TOKEN",
        "-e", "ALLOW_IMG_OUTPUT",
        "datalayer/jupyter-mcp-server:latest"
      ],
      "env": {
        "JUPYTER_URL": "http://host.docker.internal:8888",
        "JUPYTER_TOKEN": "MY_TOKEN",
        "ALLOW_IMG_OUTPUT": "true"
      }
    }
  }
}

В Linux:

{
  "mcpServers": {
    "jupyter": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-e", "JUPYTER_URL",
        "-e", "JUPYTER_TOKEN",
        "-e", "ALLOW_IMG_OUTPUT",
        "--network=host",
        "datalayer/jupyter-mcp-server:latest"
      ],
      "env": {
        "JUPYTER_URL": "http://localhost:8888",
        "JUPYTER_TOKEN": "MY_TOKEN",
        "ALLOW_IMG_OUTPUT": "true"
      }
    }
  }
}

Подробные инструкции по настройке различных MCP-клиентов — включая Claude Desktop, VS Code, Cursor, Cline и Windsurf — см. в документации по клиентам.

✅ Рекомендации

• Взаимодействуйте с LLM, которые поддерживают мультимодальный ввод (например, Gemini 2.5 Pro), чтобы в полной мере использовать расширенные возможности мультимодального понимания.

• Используйте MCP-клиент, который поддерживает возврат данных изображений и может их анализировать (например, Cursor, Gemini CLI и т.д.), так как некоторые клиенты могут не поддерживать эту функцию.

• Разбивайте сложные задачи (например, весь рабочий процесс обработки данных) на несколько подзадач (например, очистка данных, проектирование признаков, обучение модели, оценка модели и т.д.) и выполняйте их шаг за шагом.

• Предоставляйте четко структурированные промпты и правила (👉 Посетите наши шаблоны промптов, чтобы начать).

• Предоставляйте как можно больше контекста (например, уже установленные пакеты, пояснения к полям для существующих наборов данных, текущий рабочий каталог, подробные требования к задаче и т.д.).

🤝 Участие в разработке

Мы приветствуем любые виды вклада! Вот несколько примеров:

• 🐛 Исправление ошибок

• 📝 Улучшения существующих функций

• 🔧