JupyterMCP MCP-Server-Integration

Was macht der “JupyterMCP” MCP-Server?

JupyterMCP ist ein Model Context Protocol (MCP) Server, der entwickelt wurde, um Jupyter Notebook (ausschließlich Version 6.x) mit KI-Assistenten wie Claude AI zu verbinden. Über einen WebSocket-basierten Server ermöglicht JupyterMCP KI-Modellen die direkte Interaktion und Steuerung von Jupyter Notebooks. Dadurch wird KI-gestützte Codeausführung, Datenanalyse, Zellenmanagement und Ausgabenabruf möglich. Indem Kernfunktionen des Jupyter Notebooks als MCP-Tools und -Ressourcen bereitgestellt werden, können Entwickler Workflows automatisieren, Notebook-Inhalte manipulieren und Data-Science-Aufgaben direkt aus ihrem KI-Assistenten oder MCP-kompatiblen Client heraus optimieren. JupyterMCP ist ideal für alle, die die Flexibilität von Jupyter Notebooks mit der Intelligenz von LLMs verbinden möchten, um eine interaktivere, produktivere Entwicklungsumgebung zu schaffen.

Liste der Prompts

Im Repository werden keine Prompt-Vorlagen in der Dokumentation oder im Code erwähnt.

Liste der Ressourcen

Keine expliziten MCP-Ressourcen werden in der Dokumentation oder im Code beschrieben.

Liste der Tools

Die folgenden Tools sind in der README beschrieben und im Server vorhanden:

• Zellmanipulation: Ermöglicht das Einfügen, Ausführen und Verwalten von Notebook-Zellen.
• Notebook-Verwaltung: Notebooks speichern und Notizbuchinformationen abrufen.
• Zellenausführung: Ausgewählte Zellen oder das gesamte Notebook ausführen.
• Ausgabenabruf: Ausgabeinhalte aus ausgeführten Zellen mit Textbegrenzungsoptionen abrufen.

Anwendungsfälle dieses MCP-Servers

• KI-gestützte Codeausführung: Entwickler können ihren KI-Assistenten anweisen, Codezellen oder ganze Jupyter Notebooks direkt auszuführen, um Iterationen zu beschleunigen und manuellen Aufwand zu reduzieren.
• Notebook-Verwaltung: Notebooks einfach speichern, umbenennen oder Metadaten über Sprachbefehle an einen KI-Agenten abrufen.
• Zellenmanipulation und Analyse: Neue Zellen einfügen, bestehende ändern oder Code-/Datumszellen für Experimente organisieren – alles orchestriert vom LLM.
• Automatisierte Datenanalyse und Visualisierung: Die KI kann Analyse- oder Visualisierungszellen ausführen, Ausgaben abrufen und basierend auf Nutzereingaben neuen Analysecode einfügen.
• Bildungs- und Onboarding-Workflows: Lehrende oder Lernende interagieren per Konversationsschnittstelle mit Notebooks, lassen sich Konzepte demonstrieren oder Codebeispiele ausführen.

Wie wird es eingerichtet

Windsurf

Für Windsurf sind keine Setup-Anweisungen vorhanden.

Claude

1. Voraussetzungen: Installieren Sie Python 3.12+, den uv-Paketmanager und die Claude AI Desktop-App.
2. Repository klonen:

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

3. Jupyter-Kernel installieren:

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

4. Claude-Konfiguration bearbeiten: Gehen Sie zu Claude > Einstellungen > Entwickler > Konfiguration bearbeiten > claude_desktop_config.json und fügen Sie Folgendes hinzu:

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

   (Ersetzen Sie /ABSOLUTE/PATH/TO/ durch Ihren lokalen Pfad.)
5. Claude neu starten: Beenden und öffnen Sie die Claude Desktop-App erneut, um den MCP-Server zu aktivieren.
6. (Optional) Zusätzliche Python-Pakete installieren nach Bedarf.

API-Schlüssel absichern

Für die Einrichtung werden keine API-Schlüssel benötigt oder erwähnt.

Cursor

Für Cursor sind keine Setup-Anweisungen vorhanden.

Cline

Für Cline sind keine Setup-Anweisungen vorhanden.

Wie wird dieser MCP in Flows verwendet

MCP in FlowHunt verwenden

Um MCP-Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie sie mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Im System-MCP-Konfigurationsbereich tragen Sie die Details Ihres MCP-Servers in folgendem JSON-Format ein:

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

Sobald konfiguriert, kann der KI-Agent diesen MCP als Tool mit Zugriff auf all seine Funktionen und Möglichkeiten nutzen. Ersetzen Sie “MCP-name” durch den tatsächlichen Namen Ihres MCP-Servers (z.B. “github-mcp”, “weather-api” etc.) und die URL durch die Ihres eigenen MCP-Servers.

Übersicht

Unsere Meinung

JupyterMCP bietet eine fokussierte Integration zur Steuerung von Jupyter Notebook via MCP mit guter Dokumentation für Claude, aber es fehlen breitere Plattformanleitungen sowie Standardisierung bei Ressourcen/Prompts. Das Toolset ist praktisch für Notebook-Automatisierung, jedoch schränkt das Fehlen expliziter Ressourcen-/Prompt-Unterstützung und die fehlende Generalisierung auf andere Clients den Gesamtnutzen ein. Basierend auf den Tabellen bewerten wir dieses MCP mit 5/10 für Funktionalität und Dokumentation.

MCP-Bewertung