Integracja serwera MCP JupyterMCP

Czym zajmuje się serwer MCP „JupyterMCP”?

JupyterMCP to serwer Model Context Protocol (MCP) zaprojektowany do połączenia Jupyter Notebook (tylko wersja 6.x) z asystentami AI, takimi jak Claude AI. Dzięki serwerowi opartemu na WebSocket, JupyterMCP umożliwia modelom AI bezpośrednią interakcję i sterowanie Jupyter Notebooks. Pozwala to na wykonywanie kodu wspomagane przez AI, analizę danych, zarządzanie komórkami notebooka i pobieranie wyników. Udostępniając podstawowe funkcje Jupyter Notebook jako narzędzia i zasoby MCP, serwer umożliwia programistom automatyzację przepływów pracy, manipulację zawartością notebooka oraz usprawnienie zadań data science – wszystko z poziomu asystenta AI lub klienta zgodnego z MCP. JupyterMCP to idealne rozwiązanie dla osób, które chcą połączyć elastyczność Jupyter Notebooks z inteligencją LLM, zapewniając bardziej interaktywne i produktywne środowisko deweloperskie.

Lista promptów

W dokumentacji repozytorium ani kodzie nie wspomniano o szablonach promptów.

Lista zasobów

W dokumentacji ani kodzie nie opisano jawnych zasobów MCP.

Lista narzędzi

Następujące narzędzia są opisane w README i dostępne na serwerze:

• Manipulacja komórkami: Pozwala na wstawianie, wykonywanie i zarządzanie komórkami notebooka.
• Zarządzanie notebookiem: Zapisywanie notebooków i pobieranie informacji o notebooku.
• Wykonywanie komórek: Uruchamianie wybranych komórek lub wykonywanie wszystkich komórek w notebooku.
• Pobieranie wyników: Pobieranie treści wyników z wykonanych komórek z opcjami ograniczenia tekstu.

Przykłady użycia tego serwera MCP

• Wykonywanie kodu wspomagane przez AI: Programiści mogą poprosić asystenta AI o uruchomienie komórek kodu lub całych notebooków Jupyter bezpośrednio, co przyspiesza iteracje i zmniejsza ilość pracy ręcznej.
• Zarządzanie notebookiem: Łatwe zapisywanie, zmiana nazwy lub pobieranie metadanych notebooka za pomocą poleceń w języku naturalnym skierowanych do agenta AI.
• Manipulacja i analiza komórek: Wstawianie nowych komórek, modyfikowanie istniejących lub organizowanie komórek kodu/danych według potrzeb eksperymentów – wszystko sterowane przez LLM.
• Automatyczna analiza danych i wizualizacja: AI może wykonywać komórki analityczne lub wizualizacyjne, pobierać wyniki, a nawet wstawiać nowy kod analizy na podstawie promptów użytkownika.
• Przepływy pracy edukacyjne i onboardingowe: Instruktorzy lub uczniowie mogą komunikować się z notebookiem przez interfejs konwersacyjny, prosząc AI o prezentację koncepcji lub wykonanie fragmentów kodu.

Jak to skonfigurować

Windsurf

Nie podano instrukcji instalacji Windsurf.

Claude

1. Wymagania wstępne: Zainstaluj Python 3.12+, menedżer pakietów uv i aplikację desktopową Claude AI.
2. Sklonuj repozytorium:

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

3. Zainstaluj kernel Jupyter:

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

4. Edytuj konfigurację Claude: Przejdź do Claude > Settings > Developer > Edit Config > claude_desktop_config.json i dodaj:

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

   (Zamień /ABSOLUTE/PATH/TO/ na swoją lokalną ścieżkę.)
5. Uruchom ponownie Claude: Zamknij i ponownie uruchom aplikację desktopową Claude, aby aktywować serwer MCP.
6. (Opcjonalnie) Zainstaluj dodatkowe pakiety Pythona w razie potrzeby.

Zabezpieczanie kluczy API

Nie są wymagane ani wspomniane żadne klucze API w konfiguracji.

Cursor

Nie podano instrukcji instalacji Cursor.

Cline

Nie podano instrukcji instalacji Cline.

Jak używać tego MCP w flowach

Korzystanie z MCP w FlowHunt

Aby zintegrować serwery MCP z workflow w FlowHunt, rozpocznij od dodania komponentu MCP do swojego flow i połącz go z agentem AI:

Kliknij komponent MCP, aby otworzyć panel konfiguracji. W sekcji konfiguracji systemu MCP wstaw dane serwera MCP w tym formacie JSON:

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

Po skonfigurowaniu agent AI będzie mógł korzystać z tego MCP jako narzędzia, mając dostęp do wszystkich jego funkcji i możliwości. Pamiętaj, aby zamienić “MCP-name” na faktyczną nazwę swojego serwera MCP (np. “github-mcp”, “weather-api” itp.) oraz podać swój własny adres URL serwera MCP.

Podsumowanie

Nasza opinia

JupyterMCP zapewnia ukierunkowaną integrację do sterowania Jupyter Notebook przez MCP z dobrą dokumentacją dla Claude, ale brakuje szerszych instrukcji dla innych platform oraz standaryzacji zasobów/promptów. Zestaw narzędzi jest praktyczny dla automatyzacji notebooków, jednak brak jawnego wsparcia dla zasobów/promptów oraz ogólności dla innych klientów ogranicza jego użyteczność. Na podstawie powyższych tabel oceniamy ten MCP na 5/10 pod względem funkcjonalności i dokumentacji.

Ocena MCP