Jupyter AI place les agents dans JupyterLab
Une extension open source qui connecte les agents IA aux blocs-notes de calcul dans JupyterLab.
En bref
- De quoi s’agit-il ?
- Collaborer avec des agents ACP dans les notebooks, avec outils MCP et approbation des actions
- À qui s’adresse-t-il ?
- Ce projet convient aux personnes qui veulent collaborer avec des agents acp dans les notebooks, avec outils mcp et approbation des actions et qui acceptent de vérifier ses dépendances propres. Il convient moins à un usage qui exige une garantie absente du README.
- Puis-je l’utiliser commercialement ?
- Oui. BSD-3-Clause est une licence permissive : vous pouvez utiliser, modifier et vendre un logiciel qui en dépend, à condition de conserver les mentions de droit d’auteur et de licence.
- Est-il encore maintenu ?
- Oui. Les derniers commits datent d’il y a 5 jours.
- En quel langage est-il écrit ?
- Principalement Python, d’après les statistiques de langage de GitHub.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 14 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
Le chat dans l espace de travail
Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. Les agents peuvent lire et écrire des fichiers, exécuter des commandes et interagir avec les notebooks via le serveur Jupyter MCP. Le système de permissions demande une approbation avant l écriture ou l exécution. Les serveurs MCP personnalisés et les personas enregistrées par entry points étendent le périmètre, mais augmentent aussi les décisions d accès à examiner. Le chat dans l espace de travail demande de regarder le comportement observé plutôt que le slogan. Dans le cas de jupyter-ai-contrib/jupyter-ai, le nom du dépôt et les fichiers cités donnent un point de départ précis pour comprendre le trajet des données. La documentation ne décrit pas les détails qu elle ne promet pas; il faut donc traiter toute capacité absente du README comme non établie.
Pour une équipe, le choix dépend de la frontière opérationnelle. Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. On peut isoler Le chat dans l espace de travail dans un environnement de test, conserver les journaux utiles et comparer une entrée simple avec le résultat produit. Cette méthode permet de voir les erreurs, les dépendances et le coût réel sans transformer une affirmation du dépôt en garantie de production.
Détection des agents ACP
Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. Les agents peuvent lire et écrire des fichiers, exécuter des commandes et interagir avec les notebooks via le serveur Jupyter MCP. Le système de permissions demande une approbation avant l écriture ou l exécution. Les serveurs MCP personnalisés et les personas enregistrées par entry points étendent le périmètre, mais augmentent aussi les décisions d accès à examiner. Détection des agents ACP demande de regarder le comportement observé plutôt que le slogan. Dans le cas de jupyter-ai-contrib/jupyter-ai, le nom du dépôt et les fichiers cités donnent un point de départ précis pour comprendre le trajet des données. La documentation ne décrit pas les détails qu elle ne promet pas; il faut donc traiter toute capacité absente du README comme non établie.
Pour une équipe, le choix dépend de la frontière opérationnelle. Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. On peut isoler Détection des agents ACP dans un environnement de test, conserver les journaux utiles et comparer une entrée simple avec le résultat produit. Cette méthode permet de voir les erreurs, les dépendances et le coût réel sans transformer une affirmation du dépôt en garantie de production.
Fichiers et terminaux sous permission
Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. Les agents peuvent lire et écrire des fichiers, exécuter des commandes et interagir avec les notebooks via le serveur Jupyter MCP. Le système de permissions demande une approbation avant l écriture ou l exécution. Les serveurs MCP personnalisés et les personas enregistrées par entry points étendent le périmètre, mais augmentent aussi les décisions d accès à examiner. Fichiers et terminaux sous permission demande de regarder le comportement observé plutôt que le slogan. Dans le cas de jupyter-ai-contrib/jupyter-ai, le nom du dépôt et les fichiers cités donnent un point de départ précis pour comprendre le trajet des données. La documentation ne décrit pas les détails qu elle ne promet pas; il faut donc traiter toute capacité absente du README comme non établie.
Pour une équipe, le choix dépend de la frontière opérationnelle. Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. On peut isoler Fichiers et terminaux sous permission dans un environnement de test, conserver les journaux utiles et comparer une entrée simple avec le résultat produit. Cette méthode permet de voir les erreurs, les dépendances et le coût réel sans transformer une affirmation du dépôt en garantie de production.
Contexte glissé depuis le notebook
Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. Les agents peuvent lire et écrire des fichiers, exécuter des commandes et interagir avec les notebooks via le serveur Jupyter MCP. Le système de permissions demande une approbation avant l écriture ou l exécution. Les serveurs MCP personnalisés et les personas enregistrées par entry points étendent le périmètre, mais augmentent aussi les décisions d accès à examiner. Contexte glissé depuis le notebook demande de regarder le comportement observé plutôt que le slogan. Dans le cas de jupyter-ai-contrib/jupyter-ai, le nom du dépôt et les fichiers cités donnent un point de départ précis pour comprendre le trajet des données. La documentation ne décrit pas les détails qu elle ne promet pas; il faut donc traiter toute capacité absente du README comme non établie.
Pour une équipe, le choix dépend de la frontière opérationnelle. Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. On peut isoler Contexte glissé depuis le notebook dans un environnement de test, conserver les journaux utiles et comparer une entrée simple avec le résultat produit. Cette méthode permet de voir les erreurs, les dépendances et le coût réel sans transformer une affirmation du dépôt en garantie de production.
MCP extensible
Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. Les agents peuvent lire et écrire des fichiers, exécuter des commandes et interagir avec les notebooks via le serveur Jupyter MCP. Le système de permissions demande une approbation avant l écriture ou l exécution. Les serveurs MCP personnalisés et les personas enregistrées par entry points étendent le périmètre, mais augmentent aussi les décisions d accès à examiner. MCP extensible demande de regarder le comportement observé plutôt que le slogan. Dans le cas de jupyter-ai-contrib/jupyter-ai, le nom du dépôt et les fichiers cités donnent un point de départ précis pour comprendre le trajet des données. La documentation ne décrit pas les détails qu elle ne promet pas; il faut donc traiter toute capacité absente du README comme non établie.
Pour une équipe, le choix dépend de la frontière opérationnelle. Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. On peut isoler MCP extensible dans un environnement de test, conserver les journaux utiles et comparer une entrée simple avec le résultat produit. Cette méthode permet de voir les erreurs, les dépendances et le coût réel sans transformer une affirmation du dépôt en garantie de production.
Vérifier une action approuvée
Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. Les agents peuvent lire et écrire des fichiers, exécuter des commandes et interagir avec les notebooks via le serveur Jupyter MCP. Le système de permissions demande une approbation avant l écriture ou l exécution. Les serveurs MCP personnalisés et les personas enregistrées par entry points étendent le périmètre, mais augmentent aussi les décisions d accès à examiner. Vérifier une action approuvée demande de regarder le comportement observé plutôt que le slogan. Dans le cas de jupyter-ai-contrib/jupyter-ai, le nom du dépôt et les fichiers cités donnent un point de départ précis pour comprendre le trajet des données. La documentation ne décrit pas les détails qu elle ne promet pas; il faut donc traiter toute capacité absente du README comme non établie.
Pour une équipe, le choix dépend de la frontière opérationnelle. Jupyter AI est une extension open source qui ajoute un chat natif à JupyterLab. Elle s appuie sur l Agent Client Protocol pour détecter des agents comme Claude, Codex, Gemini, Goose, Mistral Vibe ou OpenCode lorsque leurs dépendances sont installées. Plusieurs conversations peuvent rester ouvertes et des fichiers ou cellules peuvent être ajoutés comme contexte. On peut isoler Vérifier une action approuvée dans un environnement de test, conserver les journaux utiles et comparer une entrée simple avec le résultat produit. Cette méthode permet de voir les erreurs, les dépendances et le coût réel sans transformer une affirmation du dépôt en garantie de production.
Conclusion éditoriale
Ce projet convient aux personnes qui veulent collaborer avec des agents acp dans les notebooks, avec outils mcp et approbation des actions et qui acceptent de vérifier ses dépendances propres. Il convient moins à un usage qui exige une garantie absente du README. Avant adoption, exécutez le test indiqué avec jupyter-ai-contrib/jupyter-ai, observez le fichier ou le port mentionné et confirmez le résultat sur votre environnement.
Notes de la communauté