JetBrains hat eine neue, in PyCharm integrierte Jupyter-Fähigkeit angekündigt, die es KI-Agenten ermöglicht, in einem Live-Jupyter-Kernel zu arbeiten, anstatt Befehle über einen Unterprozess in der Befehlszeile auszuführen. Nach Angaben des Unternehmens bleiben bei diesem Ansatz Variablen, Daten, trainierte Modelle und Importzustände zwischen den Zellen erhalten. Außerdem wird verhindert, dass .ipynb-Dateien beschädigt werden, und unnötiges Warten während lang laufender Aufgaben wird reduziert.
Die Fähigkeit zielt auf ein wiederkehrendes Problem bei der Verwendung von Programmieragenten mit Jupyter-Notebooks. Wird die Notebook-Datei wie gewöhnlicher Text behandelt, kann eine Änderung der JSON-Struktur dazu führen, dass sie beschädigt wird. Wird der Code dagegen in einem Unterprozess ausgeführt, geht der Kernel-Zustand verloren, sobald der Prozess endet. Dadurch verliert der Agent das trainierte Modell, den geladenen DataFrame oder die importierten Bibliotheken und kann den Zustand weder untersuchen noch wiederverwenden. Zudem können Ausgaben bis zum Ende der Ausführung zwischengespeichert bleiben, wodurch die Überwachung langer Trainings unpraktisch wird.
So funktioniert die Fähigkeit in PyCharm
Die Fähigkeit stellt die Notebook- und Live-Kernel-Funktionen von PyCharm über eine einzelne MCP-Hülle namens execute_tool für den Agenten bereit. Diese Hülle umfasst das Erstellen, Bearbeiten und Lesen von Notebooks, das Ausführen von Zellen, das Warten auf den Abschluss lang laufender Vorgänge, das Untersuchen des Kernels während der Ausführung sowie die Steuerung seines Lebenszyklus.
Der Agent schreibt echten Python-Code in eine Zelle und führt ihn anschließend direkt im Kernel aus, sodass Variablen, Modelle und Daten über mehrere Zellen hinweg erhalten bleiben, wie bei der manuellen Verwendung eines Notebooks. Beim Ausführen einer langen Aufgabe wartet das Tool wait_cell_execution, bis die Zelle abgeschlossen ist oder ein sicheres Limit erreicht wurde, statt in festen Zeitabständen wiederholt abzufragen. Außerdem liest der Agent nur den neu hinzugekommenen Teil der gestreamten Ausgaben, anstatt jedes Mal das vollständige, anwachsende Zellenergebnis erneut zu übertragen.
Kosten- und Ergebnistest
JetBrains testete die Fähigkeit mit 12 Aufgaben aus dem MLGym-Benchmark für maschinelles Lernen. Diese umfassten Klassifikation, Regression und bestärkendes Lernen; jede Aufgabe erforderte das Laden der Daten, das Trainieren und Bewerten des Modells sowie das Speichern des Ergebnisses. Das Unternehmen verglich drei Modi: ausschließlich Bash, ausschließlich einen Jupyter-Kernel sowie eine Kombination aus Kernel und Bash.
Bei Claude Opus 5 kostete die Ausführung der Aufgaben über den Kernel 59,09 US-Dollar gegenüber 67,06 US-Dollar über die Shell, also rund 12 % weniger. Nach Angaben des Unternehmens verwendete der Kernel mehr Tokens, war jedoch dank des aktiven Prompt-Cache günstiger. Cache-Lesevorgänge machten 98 % der Eingaben aus, gegenüber 82 % im Shell-Modus; dabei wurde ein Cache-Lesevorgang mit einem Zwölftel der Kosten für das Erstellen eines neuen Caches berechnet.
Die Ergebnisse zeigten, dass der Vorteil vom Modell und von der Aufgabe abhängt. Am deutlichsten war er bei Claude Opus und lang laufenden Aufgaben, die den Zustand beibehalten. Bei kurzen Aufgaben und Codex-Modellen war die Shell günstiger, da diese den Cache bereits effizient nutzen. In diesen Fällen besteht der Wert der Fähigkeit hauptsächlich in der Verbesserung des Workflows und nicht in einer Kostensenkung.
Nutzungsbeschränkungen und Verfügbarkeit
JetBrains erklärte, dass eine der Aufgaben, Titanic, durch eine Verunreinigung des Benchmarks beeinflusst war, da die Agenten die Testdaten einsehen und zur Auswahl des endgültigen Modells verwenden konnten. Nach Angaben des Unternehmens trat das Problem in allen drei Modi auf. Ohne diese Aufgabe blieb der Kernel mit Opus um 10 % günstiger: 56,34 US-Dollar gegenüber 62,65 US-Dollar über die Shell.
Die Fähigkeit garantiert nicht, dass Ausgaben automatisch gespeichert werden. Ein Agent beendete eines der Experimente nach dem Training eines guten Modells, ohne die Übermittlungsdatei zu speichern. Das Unternehmen empfiehlt, klare Anweisungen in einer Kontextdatei wie CLAUDE.md oder in einer anderen Fähigkeit zu hinterlegen, damit das Modell gespeichert wird, sobald der gewünschte Maßstab erreicht ist. Außerdem betont JetBrains, dass das Tool den betrieblichen Aufwand reduziert, aber keine schwache Methodik im maschinellen Lernen in eine leistungsfähige Lösung verwandelt; einige Aufgaben können weiterhin menschliches Eingreifen erfordern.
Die Fähigkeit kann über den AI Chat in PyCharm 2026.2.1 ausprobiert werden, indem der Agent aufgefordert wird, an einem Notebook zu arbeiten, ein Notebook zu erstellen, einen Datensatz zu laden oder ein Training zu starten. Die Entwicklungsumgebung ermöglicht außerdem das Durchsuchen und Verwalten von Fähigkeiten, das Hinzufügen externer Bibliotheken aus Quellen wie öffentlichen GitHub-Repositories sowie das Importieren vorgefertigter Fähigkeiten für Claude Code oder Codex.