JetBrains объявила о новом навыке Jupyter, встроенном в PyCharm, который позволяет ИИ-агентам выполнять работу внутри живого ядра Jupyter вместо запуска команд через дочерний процесс в командной строке. По словам компании, такой подход сохраняет переменные, данные, обученные модели и состояния импортов между ячейками, а также предотвращает повреждение файлов .ipynb и сокращает ненужное ожидание во время длительных задач.
Навык нацелен на распространённую проблему при использовании программирующих агентов с блокнотами Jupyter. Обращение с файлом блокнота как с обычным текстом может привести к изменению структуры JSON и его повреждению, тогда как выполнение кода в дочернем процессе приводит к исчезновению состояния ядра сразу после завершения процесса. В результате агент теряет обученную модель, загруженный фрейм данных или импортированные библиотеки и не может проверить состояние или повторно использовать его. Кроме того, вывод может оставаться буферизованным до завершения выполнения, что делает наблюдение за длительным обучением непрактичным.
Как навык работает внутри PyCharm
Навык предоставляет агенту доступ к функциям PyCharm для работы с блокнотами и живым ядром через одну оболочку MCP под названием execute_tool. Эта оболочка поддерживает создание, изменение и чтение блокнотов, выполнение ячеек, ожидание завершения длительных операций, проверку ядра во время работы и управление его жизненным циклом.
Агент пишет настоящий код Python в ячейку, а затем непосредственно запускает его в ядре, поэтому переменные, модели и данные сохраняются между ячейками так же, как при ручной работе с блокнотом. При запуске длительной задачи инструмент wait_cell_execution ожидает завершения ячейки или достижения безопасного предела вместо многократного опроса через фиксированный интервал. Кроме того, агент считывает только новую часть потокового вывода, а не повторно отправляет весь увеличивающийся результат ячейки при каждом обращении.
Тестирование стоимости и результаты
JetBrains протестировала навык на 12 задачах из эталона MLGym для машинного обучения, включавших классификацию, регрессию и обучение с подкреплением. Каждая задача требовала загрузить данные, обучить модель, оценить её и сохранить результат. Компания сравнила три режима: использование только Bash, использование только ядра Jupyter и сочетание ядра с Bash.
В случае Claude Opus 5 стоимость выполнения задач через ядро составила 59,09 доллара против 67,06 доллара через shell, то есть примерно на 12% меньше. Компания утверждает, что ядро использовало больше токенов, но оказалось дешевле благодаря сохранению активной кэш-памяти промпта: на чтение из кэша пришлось 98% входных данных против 82% в режиме shell, при этом чтение из кэша рассчитывалось по стоимости, равной одной двенадцатой стоимости создания новой памяти.
Результаты показали, что преимущество зависит от модели и задачи. Оно было наиболее заметным с Claude Opus в длительных задачах, сохраняющих состояние, тогда как shell оказался дешевле в коротких задачах и с моделями Codex, которые и так эффективно используют кэш-память. В таких случаях ценность навыка в основном заключается в улучшении рабочего процесса, а не в снижении стоимости.
Ограничения использования и доступность
JetBrains сообщила, что одна из задач — Titanic — была затронута загрязнением эталона: агенты могли просматривать тестовый набор и использовать его для выбора финальной модели. Компания утверждает, что проблема проявилась во всех трёх режимах, а после исключения этой задачи ядро оставалось на 10% дешевле с Opus: 56,34 доллара против 62,65 доллара через shell.
Навык не гарантирует автоматическое сохранение результатов: один из агентов завершил эксперимент после обучения хорошей модели, но не сохранил файл отправки. Компания рекомендует добавлять чёткие инструкции в файл контекста, например CLAUDE.md, или в другой навык, чтобы сохранять модель сразу после достижения требуемого показателя. Она также подчёркивает, что инструмент сокращает операционные потери, но не превращает слабую методику машинного обучения в сильное решение, поскольку некоторые задачи по-прежнему могут требовать вмешательства человека.
Попробовать навык можно через AI Chat в PyCharm 2026.2.1, попросив агента поработать с блокнотом, создать блокнот, загрузить набор данных или начать обучение. Среда разработки также позволяет просматривать и управлять навыками, добавлять внешние библиотеки из таких источников, как общедоступные репозитории GitHub, или импортировать заранее подготовленные навыки для Claude Code или Codex.