JetBrains a annoncé une nouvelle compétence Jupyter intégrée à PyCharm, qui permet aux agents d’intelligence artificielle d’exécuter leur travail dans un noyau Jupyter actif au lieu de lancer des commandes via un processus enfant dans la ligne de commande. Selon l’entreprise, cette approche conserve les variables, les données, les modèles entraînés et les états d’importation entre les cellules, empêche également la corruption des fichiers .ipynb et limite l’attente inutile pendant les tâches de longue durée.
Cette compétence vise un problème récurrent lors de l’utilisation d’agents de programmation avec des notebooks Jupyter. Traiter le fichier du notebook comme du texte brut peut entraîner une modification de la structure JSON et le rendre inutilisable, tandis que l’exécution du code dans un processus enfant fait disparaître l’état du noyau dès que le processus se termine. L’agent perd ainsi le modèle entraîné, le dataframe chargé ou les bibliothèques importées, et ne peut ni examiner ni réutiliser l’état. En outre, les sorties peuvent rester mises en cache jusqu’à la fin de l’exécution, ce qui rend la surveillance des entraînements longs peu pratique.
Fonctionnement de la compétence dans PyCharm
La compétence expose les fonctionnalités de PyCharm dédiées aux notebooks et au noyau actif à l’agent via une seule enveloppe MCP appelée execute_tool. Cette enveloppe couvre la création, la modification et la lecture des notebooks, l’exécution des cellules, l’attente de la fin des opérations longues, l’inspection du noyau pendant l’exécution et le contrôle de son cycle de vie.
L’agent écrit du véritable code Python dans une cellule, puis l’exécute directement dans le noyau, de sorte que les variables, les modèles et les données persistent entre les cellules comme lors de l’utilisation manuelle du notebook. Lorsqu’une tâche longue est exécutée, l’outil wait_cell_execution attend la fin de la cellule ou l’atteinte d’une limite sûre, au lieu d’effectuer des interrogations répétées selon un intervalle fixe. L’agent ne lit également que la nouvelle partie des sorties diffusées, au lieu de renvoyer à chaque fois l’intégralité de la sortie croissante de la cellule.
Test des coûts et résultats
JetBrains a testé cette compétence avec 12 tâches du benchmark MLGym pour l’apprentissage automatique, couvrant la classification, la régression et l’apprentissage par renforcement. Chacune nécessite de charger les données, d’entraîner le modèle, de l’évaluer et d’enregistrer le résultat. L’entreprise a comparé trois modes : l’utilisation de Bash uniquement, l’utilisation d’un noyau Jupyter uniquement et une combinaison du noyau et de Bash.
Avec Claude Opus 5, l’exécution des tâches via le noyau a coûté 59,09 dollars, contre 67,06 dollars via le shell, soit environ 12 % de moins. L’entreprise indique que le noyau a utilisé un plus grand nombre de jetons, mais qu’il a coûté moins cher grâce au maintien actif de la mémoire cache du prompt : les lectures du cache ont représenté 98 % des entrées, contre 82 % en mode shell, la lecture du cache étant comptabilisée à un coût équivalant à un douzième de celui de la création d’une nouvelle mémoire.
Les résultats ont montré que le gain dépend du modèle et de la tâche. Il était plus net avec Claude Opus dans les tâches longues qui conservent l’état, tandis que le shell était moins coûteux pour les tâches courtes et avec les modèles Codex, qui utilisent déjà efficacement le cache. Dans ces cas, la valeur de la compétence réside principalement dans l’amélioration du flux de travail plutôt que dans la réduction des coûts.
Limites d’utilisation et disponibilité
JetBrains a indiqué que l’une des tâches, Titanic, était affectée par une contamination du benchmark : les agents pouvaient consulter l’ensemble de test et l’utiliser pour sélectionner le modèle final. L’entreprise affirme que le problème est apparu dans les trois modes et que, même en excluant cette tâche, le noyau restait moins coûteux avec Opus de 10 %, à 56,34 dollars contre 62,65 dollars via le shell.
La compétence ne garantit pas l’enregistrement automatique des sorties : un agent a terminé l’une des expériences après avoir entraîné un bon modèle sans enregistrer le fichier de soumission. L’entreprise recommande d’ajouter des instructions claires dans le fichier de contexte, comme CLAUDE.md, ou dans une autre compétence afin d’enregistrer le modèle dès que le critère requis est atteint. Elle souligne également que l’outil réduit le gaspillage opérationnel, mais ne transforme pas une méthodologie faible d’apprentissage automatique en solution robuste, certaines tâches pouvant toujours nécessiter une intervention humaine.
La compétence peut être essayée via AI Chat dans PyCharm 2026.2.1 en demandant à l’agent de travailler sur un notebook, de créer un notebook, de charger un jeu de données ou de commencer un entraînement. L’environnement de développement permet également de parcourir et de gérer les compétences, d’ajouter des bibliothèques externes provenant de registres tels que les dépôts GitHub publics, ou d’importer des compétences préconfigurées pour Claude Code ou Codex.