تكامل خادم JupyterMCP MCP

ماذا يفعل خادم “JupyterMCP” MCP؟

JupyterMCP هو خادم Model Context Protocol (MCP) صُمم ليربط بين Jupyter Notebook (الإصدار 6.x فقط) ومساعدي الذكاء الاصطناعي مثل Claude AI. من خلال خادم مبني على WebSocket، يمكّن JupyterMCP النماذج الذكية من التفاعل المباشر مع دفاتر Jupyter والتحكم بها. يتيح ذلك تنفيذ الشيفرة بمساعدة الذكاء الاصطناعي، تحليل البيانات، إدارة خلايا الدفتر، واسترجاع المخرجات. عبر إتاحة وظائف Jupyter الأساسية كأدوات وموارد MCP، يمنح الخادم للمطورين القدرة على أتمتة سير العمل، تعديل محتوى الدفتر، وتبسيط مهام علم البيانات، وكل ذلك من داخل مساعد الذكاء الاصطناعي أو عميل متوافق مع MCP. JupyterMCP مثالي لأي شخص يبحث عن دمج مرونة دفاتر Jupyter مع ذكاء النماذج الكبيرة، مما يعزز بيئة تطوير أكثر تفاعلية وإنتاجية.

قائمة القوالب

لا توجد قوالب أوامر مذكورة في وثائق المستودع أو الشيفرة.

قائمة الموارد

لا توجد موارد MCP صريحة موصوفة في الوثائق أو الشيفرة.

قائمة الأدوات

الأدوات التالية موصوفة في ملف README وموجودة في الخادم:

• التعامل مع الخلايا: يتيح إدراج، تنفيذ، وإدارة خلايا الدفتر.
• إدارة الدفتر: حفظ الدفاتر واسترجاع معلومات الدفتر.
• تنفيذ الخلايا: تشغيل خلايا محددة أو تنفيذ جميع الخلايا في الدفتر.
• استرجاع المخرجات: الحصول على محتوى المخرجات من الخلايا المنفذة مع خيارات تحديد كمية النص.

حالات استخدام هذا الخادم MCP

• تنفيذ الشيفرة بمساعدة الذكاء الاصطناعي: يمكن للمطورين الطلب من مساعد الذكاء الاصطناعي تشغيل خلايا الشيفرة أو دفاتر Jupyter كاملة مباشرة، مما يسرّع التكرار ويقلل الجهد اليدوي.
• إدارة الدفاتر: حفظ، إعادة تسمية، أو استرجاع بيانات الدفتر بسهولة عبر أوامر باللغة الطبيعية إلى وكيل الذكاء الاصطناعي.
• تحليل وإدارة الخلايا: إدراج خلايا جديدة، تعديل الخلايا الحالية، أو تنظيم خلايا الشيفرة/البيانات حسب الحاجة للتجارب، وكل ذلك من خلال LLM.
• تحليل البيانات المؤتمت والتصور: يمكن للذكاء الاصطناعي تنفيذ خلايا التحليل أو التصور، استرجاع المخرجات، بل وإدراج شيفرة تحليلية جديدة بناءً على أوامر المستخدم.
• سير العمل التعليمي وعمليات التأهيل: يمكن للمعلمين أو المتعلمين التفاعل مع الدفاتر عبر واجهات محادثة، وطلب شرح المفاهيم أو تنفيذ مقاطع شيفرة من الذكاء الاصطناعي.

كيفية إعداده

Windsurf

لا توجد تعليمات إعداد لـ Windsurf.

Claude

1. المتطلبات الأساسية: تثبيت بايثون 3.12+، مدير الحزم uv، وتطبيق Claude AI لسطح المكتب.
2. استنساخ المستودع:

   git clone https://github.com/jjsantos01/jupyter-notebook-mcp.git
   

3. تثبيت نواة Jupyter:

   uv run python -m ipykernel install --name jupyter-mcp
   

4. تحرير إعدادات Claude: انتقل إلى Claude > Settings > Developer > Edit Config > claude_desktop_config.json وأضف:

   {
     "mcpServers": {
       "jupyter": {
         "command": "uv",
         "args": [
           "--directory",
           "/ABSOLUTE/PATH/TO/PARENT/REPO/FOLDER/src",
           "run",
           "jupyter_mcp_server.py"
         ]
       }
     }
   }
   

   (استبدل /ABSOLUTE/PATH/TO/ بالمسار المحلي الخاص بك.)
5. إعادة تشغيل Claude: أغلق وأعد فتح تطبيق Claude لسطح المكتب لتفعيل خادم MCP.
6. (اختياري) تثبيت حزم بايثون إضافية حسب الحاجة.

تأمين مفاتيح API

لا توجد مفاتيح API مطلوبة أو مذكورة في الإعداد.

Cursor

لا توجد تعليمات إعداد لـ Cursor.

Cline

لا توجد تعليمات إعداد لـ Cline.

كيفية استخدام هذا MCP داخل التدفقات

استخدام MCP في FlowHunt

لدمج خوادم MCP في سير عملك في FlowHunt، ابدأ بإضافة مكون MCP إلى التدفق وربطه بوكيل الذكاء الاصطناعي الخاص بك:

انقر على مكون MCP لفتح لوحة الإعدادات. في قسم إعدادات النظام لـ MCP، أضف تفاصيل خادم MCP الخاص بك بهذا التنسيق لـ JSON:

{
  "MCP-name": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

بعد الإعداد، يتمكن وكيل الذكاء الاصطناعي من استخدام هذا MCP كأداة مع إمكانية الوصول لجميع وظائفه وقدراته. تذكر تغيير “MCP-name” إلى اسم خادم MCP الفعلي لديك (مثل “github-mcp”، “weather-api”، إلخ) واستبدال الرابط بعنوان خادم MCP الخاص بك.

نظرة عامة

رأينا

يوفر JupyterMCP تكاملًا مركزًا للتحكم في Jupyter Notebook عبر MCP، مع توثيق جيد لـ Claude، لكنه يفتقر لتعليمات منصات أخرى وتوحيد الموارد/القوالب. مجموعة الأدوات عملية لأتمتة الدفاتر، لكن غياب دعم الموارد/القوالب الصريح والتعميم لعملاء آخرين يحد من فائدته الكلية. بناءً على الجداول، نقيم هذا MCP بـ 5/10 من حيث الوظائف والتوثيق.

تقييم MCP