أعلنت JetBrains عن مهارة Jupyter جديدة مدمجة في PyCharm، تتيح لوكلاء الذكاء الاصطناعي تنفيذ العمل داخل نواة Jupyter حية بدلاً من تشغيل الأوامر عبر عملية فرعية في سطر الأوامر. ووفق الشركة، يحافظ هذا الأسلوب على المتغيرات والبيانات والنماذج المدرّبة وحالات الاستيراد بين الخلايا، كما يمنع تلف ملفات .ipynb ويحد من الانتظار غير الضروري أثناء المهام طويلة التنفيذ.
تستهدف المهارة مشكلة متكررة عند استخدام وكلاء البرمجة مع دفاتر Jupyter. فالتعامل مع ملف الدفتر كنص عادي قد يؤدي إلى تعديل بنية JSON بطريقة تفسده، بينما يؤدي تشغيل الكود في عملية فرعية إلى اختفاء حالة النواة بمجرد انتهاء العملية. وبذلك يفقد الوكيل النموذج المدرّب أو إطار البيانات المحمّل أو المكتبات المستوردة، ولا يستطيع فحص الحالة أو إعادة استخدامها. كما أن المخرجات قد تظل مخزنة مؤقتاً حتى نهاية التنفيذ، ما يجعل مراقبة تدريبات طويلة أمراً غير عملي.
كيف تعمل المهارة داخل PyCharm
تكشف المهارة قدرات PyCharm الخاصة بالدفاتر والنواة الحية أمام الوكيل عبر غلاف MCP واحد باسم execute_tool. ويغطي هذا الغلاف إنشاء الدفاتر وتعديلها وقراءتها، وتشغيل الخلايا، والانتظار حتى اكتمال العمليات الطويلة، وفحص النواة أثناء التشغيل، والتحكم في دورة حياتها.
يكتب الوكيل كود Python حقيقياً داخل خلية ثم يشغله مباشرة في النواة، بحيث تستمر المتغيرات والنماذج والبيانات عبر الخلايا كما يحدث عند استخدام الدفتر يدوياً. وعند تشغيل مهمة طويلة، تنتظر أداة wait_cell_execution حتى انتهاء الخلية أو بلوغ حد آمن، بدلاً من الاستعلام المتكرر وفق مؤقت ثابت. كذلك يقرأ الوكيل الجزء الجديد فقط من المخرجات المتدفقة، بدلاً من إعادة إرسال كامل ناتج الخلية المتزايد في كل مرة.
اختبار التكلفة والنتائج
اختبرت JetBrains المهارة باستخدام 12 مهمة من معيار MLGym للتعلم الآلي، شملت التصنيف والانحدار والتعلم المعزز، وتتطلب كل منها تحميل البيانات وتدريب النموذج وتقييمه وحفظ النتيجة. وقارنت الشركة بين ثلاثة أوضاع: استخدام Bash فقط، واستخدام نواة Jupyter فقط، ومزيج من النواة وBash.
في حالة Claude Opus 5، بلغت تكلفة تنفيذ المهام عبر النواة 59.09 دولاراً، مقابل 67.06 دولاراً عبر shell، أي أقل بنحو 12%. وتقول الشركة إن النواة استخدمت عدداً أكبر من الرموز، لكنها كانت أقل تكلفة بفضل إبقاء ذاكرة التخزين المؤقت للموجه نشطة؛ إذ شكّلت قراءات الذاكرة المؤقتة 98% من المدخلات، مقابل 82% في وضع shell، مع احتساب قراءة الذاكرة المؤقتة بتكلفة تعادل واحداً من 12 من تكلفة إنشاء ذاكرة جديدة.
أشارت النتائج إلى أن المكسب يعتمد على النموذج والمهمة. كان أوضح مع Claude Opus في الوظائف الطويلة التي تحتفظ بالحالة، بينما كان shell أقل تكلفة في المهام القصيرة ومع نماذج Codex، التي تستخدم الذاكرة المؤقتة بكفاءة بالفعل. وفي هذه الحالات، تتمثل قيمة المهارة أساساً في تحسين سير العمل لا خفض التكلفة.
حدود الاستخدام والتوفر
ذكرت JetBrains أن إحدى المهام، وهي Titanic، كانت متأثرة بتلوث في المعيار، إذ تمكن الوكلاء من الاطلاع على مجموعة الاختبار واستخدامها لاختيار النموذج النهائي. وتقول الشركة إن المشكلة ظهرت في الأوضاع الثلاثة، وإن استبعاد المهمة أبقى النواة أقل تكلفة مع Opus بنسبة 10%، عند 56.34 دولاراً مقابل 62.65 دولاراً عبر shell.
لا تضمن المهارة حفظ المخرجات تلقائياً؛ فقد أنهى وكيل إحدى التجارب بعد تدريب نموذج جيد من دون حفظ ملف الإرسال. وتوصي الشركة بإضافة تعليمات واضحة في ملف السياق، مثل CLAUDE.md، أو ضمن مهارة أخرى لحفظ النموذج فور تحقيق المعيار المطلوب. كما تؤكد أن الأداة تقلل الهدر التشغيلي ولا تحوّل منهجاً ضعيفاً في التعلم الآلي إلى حل قوي، إذ قد تظل بعض المهام بحاجة إلى تدخل بشري.
يمكن تجربة المهارة عبر AI Chat في PyCharm 2026.2.1 من خلال مطالبة الوكيل بالعمل على دفتر، أو إنشاء دفتر، أو تحميل مجموعة بيانات، أو بدء تدريب. وتتيح بيئة التطوير أيضاً تصفح المهارات وإدارتها، وإضافة مكتبات خارجية من سجلات مثل مستودعات GitHub العامة، أو استيراد مهارات معدة مسبقاً لـ Claude Code أو Codex.