JetBrains 宣布在 PyCharm 中集成一项新的 Jupyter 技能，使 AI 代理能够在实时 Jupyter 内核中执行工作，而不是通过命令行中的子进程运行命令。据该公司介绍，这种方式可以在单元格之间保留变量、数据、训练好的模型和导入状态，同时防止 .ipynb 文件损坏，并减少长时间运行任务中的不必要等待。
这项技能旨在解决使用编程代理处理 Jupyter Notebook 时经常遇到的问题。将 Notebook 文件作为普通文本处理，可能会导致 JSON 结构被修改并损坏；而在子进程中运行代码，则会在进程结束后丢失内核状态。因此，代理会丢失训练好的模型、已加载的数据框或已导入的库，也无法检查或重新使用这些状态。此外，输出内容可能会一直缓存到执行结束，这使得监控长时间训练变得不切实际。
技能如何在 PyCharm 中工作
该技能通过一个名为 execute_tool 的 MCP 封装，将 PyCharm 针对 Notebook 和实时内核的功能提供给代理。这个封装支持创建、修改和读取 Notebook，运行单元格，等待长时间运行的操作完成，在运行期间检查内核，以及控制内核的生命周期。
代理会在单元格中编写真实的 Python 代码，然后直接在内核中运行，使变量、模型和数据能够像手动使用 Notebook 时一样跨单元格持续存在。运行长时间任务时，wait_cell_execution 工具会等待单元格完成或达到安全限制，而不是按照固定计时器反复查询。此外，代理只会读取流式输出中的新增部分，而不是每次都重新发送不断增长的完整单元格输出。
成本测试与结果
JetBrains 使用机器学习基准 MLGym 中的 12 项任务测试了这项技能，任务涵盖分类、回归和强化学习，每项任务都要求加载数据、训练模型、评估模型并保存结果。该公司比较了三种模式：仅使用 Bash、仅使用 Jupyter 内核，以及结合使用内核和 Bash。
在 Claude Opus 5 的情况下，通过内核执行这些任务的成本为 59.09 美元，而通过 shell 执行的成本为 67.06 美元，低约 12%。该公司表示，内核使用的令牌数量更多，但由于能够保持提示缓存处于活动状态，成本反而更低；缓存读取占输入的 98%，而 shell 模式下为 82%，其中缓存读取的计费成本相当于新建缓存成本的十二分之一。
结果表明，收益取决于模型和任务。在需要保持状态的长时间任务中，Claude Opus 的收益最明显；而在短任务以及使用 Codex 模型时，shell 的成本更低，因为 Codex 已经能够高效使用缓存。在这些情况下，这项技能的主要价值在于改善工作流程，而不是降低成本。
使用限制与可用性
JetBrains 表示，其中一项名为 Titanic 的任务受到基准污染的影响，因为代理能够查看测试集，并利用它选择最终模型。该公司称，这个问题出现在三种模式中；排除该任务后，使用 Opus 时内核的成本仍比 shell 低 10%，为 56.34 美元，而 shell 为 62.65 美元。
这项技能不会自动保证保存输出；在一次实验中，一名代理训练出表现良好的模型后结束了任务，却没有保存提交文件。该公司建议在上下文文件（例如 CLAUDE.md）或其他技能中加入明确指令，在达到所需指标后立即保存模型。该公司还强调，这项工具只能减少运行过程中的浪费，并不能将薄弱的机器学习方法转变为强大的解决方案，因为部分任务仍可能需要人工干预。
用户可以在 PyCharm 2026.2.1 的 AI Chat 中试用这项技能，只需要求代理处理 Notebook、创建 Notebook、加载数据集或开始训练即可。该开发环境还支持浏览和管理技能，从公共 GitHub 仓库等存储库中添加外部库，或导入为 Claude Code 或 Codex 准备的预设技能。