A JetBrains anunciou uma nova habilidade do Jupyter integrada ao PyCharm, que permite aos agentes de IA executar o trabalho dentro de um kernel Jupyter ativo, em vez de executar comandos por meio de um processo filho na linha de comando. Segundo a empresa, essa abordagem preserva as variáveis, os dados, os modelos treinados e os estados das importações entre as células, além de impedir a corrupção de arquivos .ipynb e reduzir esperas desnecessárias durante tarefas de longa execução.
A habilidade tem como alvo um problema recorrente ao usar agentes de programação com notebooks Jupyter. Tratar o arquivo do notebook como texto comum pode levar à alteração da estrutura JSON de modo a corrompê-la, enquanto executar o código em um processo filho faz o estado do kernel desaparecer assim que o processo termina. Com isso, o agente perde o modelo treinado, o dataframe carregado ou as bibliotecas importadas, e não consegue inspecionar nem reutilizar o estado. Além disso, as saídas podem permanecer armazenadas em buffer até o fim da execução, o que torna inviável monitorar treinamentos longos.
Como a habilidade funciona dentro do PyCharm
A habilidade expõe ao agente os recursos específicos do PyCharm para notebooks e kernels ativos por meio de um único wrapper MCP chamado execute_tool. Esse wrapper abrange a criação, a modificação e a leitura de notebooks, a execução de células, a espera pela conclusão de operações longas, a inspeção do kernel durante a execução e o controle de seu ciclo de vida.
O agente escreve código Python real dentro de uma célula e o executa diretamente no kernel, de modo que as variáveis, os modelos e os dados persistam entre as células, como ocorre ao usar o notebook manualmente. Ao executar uma tarefa longa, a ferramenta wait_cell_execution espera até que a célula seja concluída ou atinja um limite seguro, em vez de fazer consultas repetidas de acordo com um temporizador fixo. O agente também lê apenas a parte nova das saídas transmitidas, em vez de reenviar todo o resultado crescente da célula a cada vez.
Teste de custos e resultados
A JetBrains testou a habilidade usando 12 tarefas do benchmark MLGym para aprendizado de máquina, abrangendo classificação, regressão e aprendizado por reforço, cada uma exigindo o carregamento dos dados, o treinamento do modelo, sua avaliação e o salvamento do resultado. A empresa comparou três modos: uso apenas do Bash, uso apenas de um kernel Jupyter e uma combinação de kernel e Bash.
No caso do Claude Opus 5, o custo de executar as tarefas por meio do kernel foi de 59,09 dólares, contra 67,06 dólares pelo shell, ou seja, cerca de 12% menos. A empresa afirma que o kernel usou um número maior de tokens, mas teve custo menor por manter ativa a memória cache do prompt; as leituras do cache representaram 98% das entradas, contra 82% no modo shell, considerando que a leitura do cache custa o equivalente a um doze avos do custo de criar uma nova memória.
Os resultados indicaram que o ganho depende do modelo e da tarefa. Ele foi mais evidente com o Claude Opus em funções longas que preservam o estado, enquanto o shell foi menos caro em tarefas curtas e com modelos Codex, que já usam o cache de forma eficiente. Nesses casos, o valor da habilidade está principalmente na melhoria do fluxo de trabalho, e não na redução de custos.
Limitações de uso e disponibilidade
A JetBrains informou que uma das tarefas, a Titanic, foi afetada por contaminação no benchmark, pois os agentes conseguiram consultar o conjunto de teste e usá-lo para selecionar o modelo final. A empresa afirma que o problema apareceu nos três modos e que, excluindo a tarefa, o kernel continuou sendo 10% mais barato com o Opus, custando 56,34 dólares contra 62,65 dólares pelo shell.
A habilidade não garante o salvamento automático das saídas; em um dos experimentos, um agente terminou após treinar um bom modelo sem salvar o arquivo de submissão. A empresa recomenda adicionar instruções claras em um arquivo de contexto, como CLAUDE.md, ou em outra habilidade para salvar o modelo assim que o critério desejado for atingido. Ela também ressalta que a ferramenta reduz o desperdício operacional, mas não transforma uma metodologia fraca de aprendizado de máquina em uma solução robusta, pois algumas tarefas ainda podem exigir intervenção humana.
A habilidade pode ser experimentada por meio do AI Chat no PyCharm 2026.2.1, solicitando ao agente que trabalhe em um notebook, crie um notebook, carregue um conjunto de dados ou inicie um treinamento. O ambiente de desenvolvimento também permite navegar e gerenciar habilidades, adicionar bibliotecas externas de registros como repositórios públicos do GitHub ou importar habilidades preparadas para o Claude Code ou o Codex.