JetBrains, PyCharm’a entegre edilen ve yapay zekâ ajanlarının komutları komut satırındaki bir alt süreç üzerinden çalıştırmak yerine canlı bir Jupyter çekirdeği içinde çalışmasına olanak tanıyan yeni bir Jupyter becerisini duyurdu. Şirkete göre bu yaklaşım, hücreler arasındaki değişkenleri, verileri, eğitilmiş modelleri ve içe aktarma durumlarını koruyor; ayrıca .ipynb dosyalarının bozulmasını önlüyor ve uzun süren görevlerde gereksiz beklemeleri azaltıyor.
Bu beceri, programlama ajanlarını Jupyter not defterleriyle kullanırken tekrarlanan bir sorunu hedefliyor. Not defteri dosyasını düz metin olarak ele almak, JSON yapısının dosyayı bozacak şekilde değiştirilmesine yol açabilirken kodu bir alt süreçte çalıştırmak, süreç sona erdiğinde çekirdeğin durumunun kaybolmasına neden oluyor. Böylece ajan, eğitilmiş modeli, yüklenmiş veri çerçevesini veya içe aktarılmış kitaplıkları kaybediyor ve durumu inceleyip yeniden kullanamıyor. Ayrıca çıktılar yürütmenin sonuna kadar arabelleğe alınabiliyor; bu da uzun eğitimleri izlemeyi pratik olmaktan çıkarıyor.
Beceri PyCharm içinde nasıl çalışıyor
Beceri, PyCharm’ın not defterleri ve canlı çekirdeğe ilişkin özelliklerini execute_tool adlı tek bir MCP sarmalayıcısı üzerinden ajana sunuyor. Bu sarmalayıcı; not defterlerinin oluşturulmasını, değiştirilmesini ve okunmasını, hücrelerin çalıştırılmasını, uzun işlemlerin tamamlanmasının beklenmesini, çalışma sırasında çekirdeğin incelenmesini ve yaşam döngüsünün yönetilmesini kapsıyor.
Ajan, gerçek Python kodunu bir hücreye yazıyor ve ardından doğrudan çekirdekte çalıştırıyor; böylece not defteri elle kullanıldığında olduğu gibi değişkenler, modeller ve veriler hücreler arasında varlığını sürdürüyor. Uzun bir görev çalıştırıldığında wait_cell_execution aracı, hücre tamamlanana veya güvenli bir sınıra ulaşılana kadar bekliyor; sabit bir zamanlayıcıya göre tekrarlanan sorgulama yapmıyor. Ajan ayrıca her seferinde hücrenin giderek büyüyen tüm çıktısını yeniden göndermek yerine, akış hâlindeki çıktının yalnızca yeni bölümünü okuyor.
Maliyet testi ve sonuçlar
JetBrains, beceriyi sınıflandırma, regresyon ve pekiştirmeli öğrenmeyi kapsayan ve her biri veri yükleme, model eğitme, değerlendirme ve sonucu kaydetme gerektiren MLGym makine öğrenmesi kıyaslamasından 12 görev kullanarak test etti. Şirket üç modu karşılaştırdı: yalnızca Bash kullanımı, yalnızca Jupyter çekirdeği kullanımı ve çekirdek ile Bash’in birlikte kullanımı.
Claude Opus 5 durumunda görevleri çekirdek üzerinden çalıştırmanın maliyeti 59,09 dolar olurken shell üzerinden çalıştırmanın maliyeti 67,06 dolar oldu; bu da yaklaşık %12 daha düşük bir maliyet anlamına geliyor. Şirket, çekirdeğin daha fazla belirteç kullandığını, ancak istem önbelleğini etkin tutması sayesinde daha düşük maliyetli olduğunu söylüyor. Önbellekten okunan veriler girdilerin %98’ini oluştururken shell modunda bu oran %82’de kaldı; önbellekten okuma maliyeti, yeni bir önbellek oluşturma maliyetinin 12’de 1’ine eşdeğer olarak hesaplanıyor.
Sonuçlar kazanımın modele ve göreve bağlı olduğunu gösterdi. Bu fark, durumu koruyan uzun işlerde Claude Opus ile daha belirgindi; hâlihazırda önbelleği verimli kullanan Codex modelleriyle ve kısa görevlerde ise shell daha düşük maliyetliydi. Bu durumlarda becerinin temel değeri maliyeti düşürmekten çok iş akışını iyileştirmek oluyor.
Kullanım sınırlamaları ve kullanılabilirlik
JetBrains, görevlerden biri olan Titanic’in kıyaslamadaki veri sızıntısından etkilendiğini belirtti; ajanlar test kümesini görebildi ve son modeli seçmek için bunu kullanabildi. Şirket, sorunun üç modda da ortaya çıktığını ve görev çıkarıldığında çekirdeğin Opus ile shell’e kıyasla %10 daha ucuz kalmaya devam ettiğini söylüyor: çekirdek için 56,34 dolar, shell için 62,65 dolar.
Beceri, çıktıların otomatik olarak kaydedilmesini garanti etmiyor; denemelerden birinde bir ajan iyi bir model eğittikten sonra gönderim dosyasını kaydetmeden işlemi sonlandırdı. Şirket, istenen ölçüt karşılanır karşılanmaz modelin kaydedilmesi için bağlam dosyasına, örneğin CLAUDE.md dosyasına veya başka bir beceriye açık talimatlar eklenmesini öneriyor. Şirket ayrıca aracın operasyonel israfı azalttığını, ancak makine öğrenmesindeki zayıf bir yaklaşımı güçlü bir çözüme dönüştürmediğini vurguluyor; bazı görevler hâlâ insan müdahalesi gerektirebilir.
Beceri, ajandan bir not defteri üzerinde çalışması, not defteri oluşturması, bir veri kümesi yüklemesi veya eğitimi başlatması istenerek PyCharm 2026.2.1 içindeki AI Chat üzerinden denenebilir. Geliştirme ortamı ayrıca becerilere göz atmaya ve bunları yönetmeye, herkese açık GitHub depoları gibi kayıt yerlerinden harici kitaplıklar eklemeye ya da Claude Code veya Codex için hazırlanmış becerileri içe aktarmaya olanak tanıyor.