K čemu slouží MCP server “JupyterMCP”?

JupyterMCP je server Model Context Protocolu (MCP) navržený k propojení Jupyter Notebooku (pouze verze 6.x) s AI asistenty jako je Claude AI. Prostřednictvím serveru založeného na WebSocket umožňuje JupyterMCP AI modelům přímo ovládat a spravovat Jupyter Notebooky. To umožňuje AI-asistované spouštění kódu, analýzu dat, správu buněk v notebooku i získávání výstupů. Díky zpřístupnění klíčových funkcí Jupyter Notebooku jako MCP nástrojů a zdrojů mohou vývojáři automatizovat workflow, manipulovat s obsahem notebooku a zefektivnit datově-vědecké úlohy, a to vše přímo z AI asistenta či MCP-kompatibilního klienta. JupyterMCP je ideální pro všechny, kdo chtějí kombinovat flexibilitu Jupyter Notebooku s inteligencí LLM a vytvářet tak interaktivnější a produktivnější vývojové prostředí.

Seznam promptů

V repozitáři ani dokumentaci nejsou uvedeny žádné šablony promptů.

Seznam zdrojů

V dokumentaci ani kódu nejsou popsány žádné explicitní MCP zdroje.

Seznam nástrojů

Následující nástroje jsou popsány v README a přítomny na serveru:

• Manipulace s buňkami: Umožňuje vkládání, spouštění a správu buněk v notebooku.
• Správa notebooků: Ukládání notebooků a získávání informací o nich.
• Spouštění buněk: Spouštění konkrétních buněk nebo všech buněk v notebooku.
• Získávání výstupů: Získávání obsahu výstupů z provedených buněk s možností omezení délky textu.

Příklady použití tohoto MCP serveru

• AI-asistované spouštění kódu: Vývojáři mohou požádat svého AI asistenta o spuštění konkrétních buněk nebo celého Jupyter Notebooku přímo, což urychluje iterace a snižuje manuální práci.
• Správa notebooků: Snadno ukládejte, přejmenovávejte nebo získávejte metadata notebooků pomocí přirozeného jazyka směrem k AI agentovi.
• Manipulace s buňkami a analýza: Vkládejte nové buňky, upravujte stávající nebo organizujte kódová/data buňky podle potřeby pro experimenty, to vše pod taktovkou LLM.
• Automatizovaná analýza dat a vizualizace: AI může spouštět analytické či vizualizační buňky, získávat výstupy a dokonce vkládat nový analytický kód na základě vašich požadavků.
• Vzdělávací a onboarding workflow: Lektoři či studenti mohou interagovat s notebooky přes konverzační rozhraní, požádat AI o demonstraci konceptů či spuštění ukázkového kódu.

Jak to nastavit

Windsurf

Nejsou k dispozici žádné instrukce k nastavení pro Windsurf.

Claude

1. Předpoklady: Nainstalujte Python 3.12+, správce balíčků uv a desktopovou aplikaci Claude AI.
2. Naklonujte repozitář:

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

3. Nainstalujte Jupyter kernel:

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

4. Upravte konfiguraci Claude: Přejděte do Claude > Settings > Developer > Edit Config > claude_desktop_config.json a přidejte:

   {
     "mcpServers": {
       "jupyter": {
         "command": "uv",
         "args": [
           "--directory",
           "/ABSOLUTNÍ/CESTA/K/NADŘAZENÉ/SLOŽCE/REPOZITÁŘE/src",
           "run",
           "jupyter_mcp_server.py"
         ]
       }
     }
   }
   

   (Nahraďte /ABSOLUTNÍ/CESTA/K/ svou lokální cestou.)
5. Restartujte Claude: Ukončete a znovu otevřete desktopovou aplikaci Claude pro aktivaci MCP serveru.
6. (Volitelné) Nainstalujte další Python balíčky podle potřeby.

Zabezpečení API klíčů

Nejsou potřeba žádné API klíče ani zmínky o nich v nastavení.

Cursor

Nejsou k dispozici žádné instrukce k nastavení pro Cursor.

Cline

Nejsou k dispozici žádné instrukce k nastavení pro Cline.

Jak používat tento MCP uvnitř flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do vašeho FlowHunt workflow začněte přidáním MCP komponenty do vašeho flow a jejím propojením s AI agentem:

Klikněte na MCP komponentu pro otevření panelu konfigurace. V sekci systémové konfigurace MCP vložte podrobnosti o vašem MCP serveru v tomto JSON formátu:

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

Po konfiguraci může AI agent využívat tento MCP jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “MCP-name” na skutečný název vašeho MCP serveru (např. “github-mcp”, “weather-api” apod.) a nahradit URL adresou vašeho MCP serveru.

Přehled

Náš názor

JupyterMCP nabízí zaměřenou integraci pro ovládání Jupyter Notebooku přes MCP s dobrou dokumentací pro Claude, ale postrádá širší instrukce pro další platformy a standardizaci zdrojů/promptů. Nástrojová sada je praktická pro automatizaci notebooku, ale absence explicitní podpory zdrojů/promptů a obecnějšího použití s dalšími klienty omezuje celkovou užitečnost. Na základě tabulek bychom tomuto MCP dali 5/10 za funkčnost a dokumentaci.

MCP skóre