Jupyter MCP來了，讓AI直接動手跑你的Jupyter Notebook

大家好，我是 Ai 學習的老章

做數據分析的朋友，應該都被同一件事折磨過

你讓 AI 幫你寫一段 pandas 代碼，它寫得挺好，你復制粘貼到 Jupyter 里跑，報錯了，你再把報錯貼回去，它改一版，你再粘貼回去跑……一來一回十幾個回合，AI 全程像個隔著玻璃指揮的人，它看不到你的 kernel 里有哪些變量，讀不到你工作區里那個 data.csv，更沒法自己跑一行代碼驗證一下想法

說白了，AI 和你的 Notebook 之間，隔著一道叫「復制粘貼」的墻

今天要介紹的 Jupyter MCP Server，就是來拆這道墻的，它讓 AI 能直接連進你正在跑的 Jupyter，自己讀 cell、自己插代碼、自己執行、自己看運行結果——連圖表輸出都能看懂，我研究了一圈，覺得這東西對重度用 Notebook 搞數據科學的人，是真有用

簡介

Jupyter MCP Server 是 Datalayer：datalayer?io 團隊開源的一個 MCP 服務器，一句話定位：讓 AI 通過 MCP 協議實時連接和操作 Jupyter Notebook

它解決的核心痛點，前面那個復制粘貼的故事已經講透了——傳統 AI 輔助編程，模型只能靠聊天記錄里的上下文干活，對你真實的運行環境一無所知，而 Jupyter MCP Server 把這層關系徹底打通，讓 AI 成了能直接上手操作 Notebook 的「實習生」

一張圖看清這兩種方式的區別：

傳統 AI 輔助 vs Jupyter MCP Server 對比

下面這張圖是官方的多模態實時操作演示，可以看到 AI 在左側對話，右側 Notebook 里的 cell 實時被創建、執行，連畫出來的圖都能被模型理解：

核心功能與特點：

• 實時控制 ：Notebook 的變化即時可見，AI 插一個 cell、跑一段代碼，你在界面上立刻看到，不是事后同步

• 智能糾錯 ：cell 執行失敗了，AI 能拿到報錯輸出，自動調整重跑——這就是把前面那個「復制粘貼報錯」的循環，交給機器自己閉環了

• 上下文感知 ：理解整個 Notebook 的上下文，知道你前面定義了哪些變量、跑到哪一步了，給的建議才真正貼合你的現場

• 多模態支持 ：支持圖像、圖表、文本等多種輸出類型，配合 Gemini 2.5 Pro 這類多模態模型，AI 能「看懂」你畫的圖，這點很關鍵

• 多 Notebook 切換 ：可以在多個 Notebook 之間無縫切換，復雜項目不用反復手動指定

• JupyterLab 深度集成 ：能自動打開 Notebook 等 UI 層操作，體驗更順

• 廣泛兼容 ：任何 MCP 客戶端都能用，Claude Desktop、Cursor、Windsurf、VS Code 都行

• 可觀測性 ：內置 hook 系統，集成了 OpenTelemetry，能追蹤工具調用和 kernel 執行——這個細節說明它不是個玩具，是奔著生產環境去的

兼容性方面也給力，本地 Jupyter、JupyterHub、Datalayer 托管 Notebook 都能跑，甚至還在做 Google Colab 的實驗性支持

它到底能干什么

這部分我覺得最值得講，因為光看「實時控制」這種詞太抽象，我們看它具體提供了哪些工具（Tools），就明白 AI 被賦予了多大的權限

它的工具集分了好幾類，我挑重點說

服務器管理類：list_files 列文件、list_kernels 列 kernel、connect_to_jupyter 動態連接一個 Jupyter 服務器（不用重啟 MCP 服務器就能切換，這個設計挺貼心）

多 Notebook 管理類：use_notebook 連接/新建/切換 Notebook、list_notebooks 列出所有 Notebook、restart_notebook 重啟 kernel、read_notebook 讀取 cell 內容

cell 操作與執行類，這是核心中的核心：

• read_cell / insert_cell / delete_cell / move_cell ：讀、插、刪、移動 cell

• overwrite_cell_source ：覆寫某個 cell 的源碼

• edit_cell_source ：對 cell 做精準的查找替換，不用整段重寫——這個「外科手術式」編輯很懂程序員

• execute_cell ：帶超時執行 cell，支持圖像等多模態輸出

• insert_execute_code_cell ：插入一個 cell 并一步執行

• execute_code ：直接在 kernel 里跑代碼，連 magic 命令和 shell 命令都支持

你看這套工具，基本上把一個人在 Jupyter 里能干的事——讀代碼、改代碼、跑代碼、看結果、管 kernel——全都給 AI 開放了，這才叫真正的「上手操作」

它還支持 MCP 的 Prompt 特性，有個 jupyter-cite 可以像 IDE 里 @ 那樣引用特定 Notebook 的 cell

一個加分項：可視化 cell 索引

這里要單獨提一個配套擴展 jupyter-mcp-tools：github?com/datalayer/jupyter-mcp-tools，它把 JupyterLab 的命令也暴露成了 MCP 工具，讓 AI 能觸發「運行全部 cell」「獲取當前選中 cell」這類操作

它有個很實用的小設計：裝上之后，每個 cell 左邊會用橙色斜體顯示一個索引編號

橙色斜體顯示的 cell 索引

為什么要這個？因為 jupyter-mcp-server 的工具是靠索引來定位 cell 的，你跟 AI 說「把第 3 個 cell 改一下」，它就能精準找到，有了可見的編號，人機協作時雙方對的是同一個坐標系，不容易雞同鴨講，細節見真章

安裝

老章必須強調一句：下面所有命令都來自官方文檔，別憑印象瞎敲

先把環境裝起來，官方推薦的快速上手是 JupyterLab + STDIO 傳輸方式：

pip install jupyterlab==4.4.1 jupyter-collaboration==4.0.2 jupyter-mcp-tools>=0.1.4 ipykernel pycrdt

這里有個 v1.0.2 的更新值得一提：現在 pycrdt 已經原生支持，不用再額外裝 datalayer_pycrdt 了，省事

裝完啟動 JupyterLab，開個端口、設個 token：

# 在 8888 端口啟動 JupyterLab，允許任意 IP 訪問并設置 token
jupyter lab --port 8888 --IdentityProvider.token MY_TOKEN --ip 0.0.0.0

官方有個很貼心的驗證小技巧：打開一個 Notebook，在 cell 里隨便敲點東西，觀察標簽頁上的標記，應該先出現一個「×」表示未保存，等幾秒會自動變成「●」，這說明實時協作功能正常工作了——而這正是 MCP 集成的前提

配置 MCP 客戶端

官方給了兩種方式，我都列出來

方式一：用 uvx（推薦快速上手）

先裝 uv：

pip install uv
uv --version
# 需要 0.6.14 或更高版本

然后在你的 MCP 客戶端里這樣配：

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

方式二：用 Docker（推薦生產環境）

macOS 和 Windows 上注意 JUPYTER_URL 要用 host.docker.internal：

{
  "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"
      }
    }
  }
}

Linux 上把 JUPYTER_URL 改回 localhost，并加上 --network=host 參數即可

這里有兩個坑要提醒：

1. v1.0.0 是個 breaking change，必須在 MCP 客戶端里配置 MCP_TOKEN ，老版本升上來的注意這點

2. 如果你用的 LLM 不支持多模態，記得把 ALLOW_IMG_OUTPUT 設成 false ，否則圖像輸出會給模型添亂

如果你只是單機自己用，STDIO 傳輸方式足夠了，配置簡單、不用額外開端口、適合 Claude Desktop 這類桌面應用，缺點是一次只能一個客戶端連

但如果你要做 Web 應用、多人并發、生產部署，那就該上 Streamable HTTP 傳輸方式，它能多客戶端同時連，還能直接作為 Jupyter Server 擴展運行，省掉單獨跑一個 MCP 服務器進程的麻煩

作為 Jupyter Server 擴展安裝也很簡單：

pip install jupyter-mcp-server
jupyter server extension enable jupyter_mcp_server

然后用這個命令確認擴展啟用成功：

jupyter server extension list

看到 jupyter_mcp_server 在已啟用列表里就對了，擴展會在 /mcp/v1 路徑暴露 API 端點

Provider 這塊也給得很全：本地/遠程 Jupyter、JupyterHub 多用戶部署、Datalayer 企業級托管、以及實驗性的 Google Colab，基本覆蓋了從個人到企業的各種場景

最佳實踐

官方給了幾條使用建議，我覺得挺實在，照搬給大家：

• 優先用支持多模態輸入的模型（比如 Gemini 2.5 Pro），才能把圖表理解能力吃滿

• 選一個能返回并解析圖像數據的 MCP 客戶端（比如 Cursor、Gemini CLI），有些客戶端不支持這個特性

• 把復雜任務拆開，別想著一句話讓 AI 把整個數據科學流程跑完，拆成數據清洗、特征工程、模型訓練、模型評估幾步，一步步來

• prompt 寫清楚，把已裝的包、數據集字段含義、當前工作目錄、詳細任務要求都喂給它，上下文給得越足，AI 干得越準

先說好的地方：這個項目的工具設計是真用心，edit_cell_source 的外科手術式編輯、靠索引定位 cell、內置 OpenTelemetry 可觀測性，這些細節都說明團隊是認真在做生產級產品，不是趕時髦做個 demo，對于天天泡在 Jupyter 里做數據分析、模型實驗的人，它能實實在在把「人肉搬運代碼」的活兒省掉

再說要注意的坑：

• 安全性這塊得拎清楚，你等于是給外部 AI 應用開放了執行代碼、讀寫文件、操作 kernel 的權限，token 一定管好，別在公網裸奔，官方文檔專門有 security 章節，建議認真讀一遍

• 多模態能力強依賴客戶端和模型，如果你的模型或客戶端不支持圖像，體驗會打折

• JupyterHub 和 Google Colab 的支持還在完善中，官方也在公開征集這兩塊的反饋，生產上用要謹慎

Jupyter MCP Server 的價值不在于多花哨，而在于把「AI 隔著玻璃指揮」這件最別扭的事給解決了，讓 AI 從一個只會聊天的顧問，變成一個能直接上手跑代碼、看結果、自己糾錯的助手，工具集完整、部署方式靈活、還帶可觀測性，是個能放心往生產里用的方案