🪐🔧 Jupyter MCP 服务器

一个为 AI 连接和管理 Jupyter Notebook 而开发的 MCP 服务器

由 Datalayer 开发

📖 目录

• 主要功能

• MCP 概述

• 入门指南

• 最佳实践

• 贡献

• 资源

Related MCP server: Code Summarizer MCP

🚀 主要功能

• ⚡ 实时控制： 即时查看 Notebook 的变化。

• 🔁 智能执行： 得益于单元格输出反馈，在单元格运行失败时自动调整。

• 🧠 上下文感知： 理解整个 Notebook 的上下文，以实现更相关的交互。

• 📊 多模态支持： 支持多种输出类型，包括图像、图表和文本。

• 📚 多 Notebook 支持： 在多个 Notebook 之间无缝切换。

• 🎨 JupyterLab 集成： 增强的 UI 集成，如自动打开 Notebook。

• 🤝 MCP 兼容： 可与任何 MCP 客户端配合使用，例如 Claude Desktop、Cursor、Windsurf 等。

• 🔍 可观测性： 内置钩子系统，集成 OpenTelemetry 以追踪工具调用和内核执行。

兼容任何 Jupyter 部署（本地、JupyterHub 等）以及 Datalayer 托管的 Notebook。

🔧 MCP 概述

🔧 工具概述

该服务器提供了一套丰富的工具来与 Jupyter Notebook 进行交互，分类如下。 有关每个工具、其参数和返回值的更多详细信息，请参阅 官方工具文档。

服务器管理工具

多 Notebook 管理工具

单元格操作和执行工具

JupyterLab 集成

仅在启用 JupyterLab 模式时可用。默认情况下已启用。

在 JupyterLab 模式下运行时，Jupyter MCP 服务器与 jupyter-mcp-tools 集成，将额外的 JupyterLab 命令公开为 MCP 工具。默认情况下，启用以下工具：

您现在可以使用 allowed_jupyter_mcp_tools 配置参数自定义 jupyter-mcp-tools 中的哪些工具可用。这使您能够启用额外的 Notebook 操作、控制台命令、文件管理工具等。

# 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"

有关可用工具的完整列表和详细配置说明，请参阅 额外工具文档。

📝 Prompt 概述

该服务器还支持 MCP 的 Prompt 功能，为用户与 Jupyter Notebook 交互提供了一种简便方式。

有关每个 Prompt、其输入参数和返回内容的更多详细信息，请参阅 官方 Prompt 文档。

🏁 入门指南

有关全面的设置说明（包括 Streamable HTTP 传输、作为 Jupyter 服务器扩展运行以及高级配置），请查看 我们的文档。或者，通过下方的 JupyterLab 和 STDIO 传输快速开始。

1. 设置您的环境

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. 启动 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. 配置您首选的 MCP 客户端

接下来，配置您的 MCP 客户端以连接到服务器。我们提供两种主要方法——选择最适合您需求的一种：

• 📦 使用 uvx（推荐用于快速入门）： 一种使用 uv 的轻量级且快速的方法。非常适合本地开发和初次使用的用户。

• 🐳 使用 Docker（推荐用于生产环境）： 一种容器化方法，可确保环境一致且隔离，非常适合生产环境或复杂设置。

首先，安装 uv：

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

查看更多关于 uv 安装 的详情。

然后，配置您的客户端：

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

在 macOS 和 Windows 上：

{
  "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"
      }
    }
  }
}

在 Linux 上：

{
  "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"
      }
    }
  }
}

有关配置各种 MCP 客户端（包括 Claude Desktop、VS Code、Cursor、Cline 和 Windsurf）的详细说明，请参阅 客户端文档。

✅ 最佳实践

• 与支持多模态输入的 LLM（如 Gemini 2.5 Pro）交互，以充分利用高级多模态理解能力。

• 使用支持返回图像数据并能解析它的 MCP 客户端（如 Cursor、Gemini CLI 等），因为某些客户端可能不支持此功能。

• 将复杂任务（如整个数据科学工作流程）分解为多个子任务（如数据清洗、特征工程、模型训练、模型评估等），并逐步执行。

• 提供结构清晰的 Prompt 和规则（👉 访问我们的 Prompt 模板 以开始）。

• 提供尽可能多的上下文（如已安装的包、现有数据集的字段说明、当前工作目录、详细的任务要求等）。

🤝 贡献

我们欢迎各种形式的贡献！以下是一些示例：

• 🐛 Bug 修复

• 📝 对现有功能的改进

• 🔧 新功能开发

• 📚 文档改进和 Prompt 模板

有关如何开始开发并提交贡献的详细说明，请参阅我们的 贡献指南。

我们的贡献者

📚 资源

正在寻找关于 Jupyter MCP 服务器的博客文章、视频或其他材料？

👉 访问我们文档中的 资源部分 以获取更多信息！

如果本项目对您有帮助，请给我们一个 ⭐️

由 Datalayer 用 ❤️ 制作

托管部署

托管部署可在 Fronteir AI 上使用。