技能介绍

要解决的问题

在 JupyterLab 里写 notebook 时，编辑、运行、调试、查文档往往分散在不同界面：在单元格之间来回切换、复制代码到外部编辑器补全、手动查找文档或反复跑实验确认中间结果。代理辅助的笔记本工作流需要聊天、行内修改、自动补全、工具调用和一键拉起编码代理，才能把多步任务留在编辑器内完成，而不是不断切换工具。

核心能力与工作方式

这个技能把 Notebook Intelligence（NBI）接入 JupyterLab，直接在 notebook 环境中提供代理辅助能力：

聊天与上下文交互：在 JupyterLab 面板里与模型对话，把 notebook 中的错误输出、单元格内容或数据结构作为上下文继续追问。
行内编辑与自动补全：在单元格编辑时获得内联修改和补全建议，不必离开 notebook 再改代码。
MCP 工具调用：通过 MCP 配置把外部工具（如本地命令、数据查询、文档检索）暴露给模型，在对话或行内执行中调用。
Claude Code 模式与编码代理启动器：需要更强代理能力时，可用 Claude Code CLI 作为后端，或通过启动器拉起编码代理，让代理在 notebook 上下文中执行多步任务。

关键步骤：准备好 JupyterLab 环境与 NBI 扩展；按需配置一个 LLM 提供商（GitHub Copilot、OpenAI 兼容/LiteLLM 端点、Ollama 或 Claude Code）；在 NBI 设置里填入提供商与模型参数；需要 MCP 工具时写好 MCP 配置并在 NBI 中启用；之后在 notebook 里直接使用聊天、行内编辑、补全、工具调用或 Claude Code 模式。

适用边界与注意点

环境基线是 Python 3.10+，并且要能正常启动 JupyterLab 4.x。
Node.js 只在 Claude Code CLI 模式，以及通过 npx 启动的 MCP 服务器场景下才需要；纯聊天、行内编辑、自动补全可以不用 Node.js。
上游建议使用全新的 virtualenv 或 conda 环境安装 notebook-intelligence，减少与系统 Python 或其他包的冲突。
不同 LLM 提供商的鉴权和端点差异较大，需要先确认 Copilot、OpenAI 兼容接口、Ollama 本地服务或 Claude Code 中哪一类后端符合数据与网络约束。
MCP 工具会带来额外权限与网络访问，建议按最小权限配置，并在共享环境或敏感数据场景下谨慎启用。