Jupyter MCP Server

社区

面向 AI 的 Jupyter Notebook 实时连接与管理 MCP 服务器

★ 1.3k Stars 分类 · 开发工具非常热门

65FMRS · C

Jupyter MCP Server 是一个成熟且文档完善的开源 MCP 服务器，由 Datalayer 维护，专注于让 AI 代理实时操作 Jupyter Notebook。其突出优势是多模态输出、多 Notebook 支持、按单元格输出反馈的执行调整，以及可扩展到十余种云沙箱后端的执行能力。主要需要注意的风险是：代理能够执行任意代码，因此令牌与网络暴露必须谨慎管理；同时 code-sandboxes 与 mcp SDK 的版本配对要求较严格，升级前应核对版本表。

可靠性

10/20

安全与权限

12/20

维护活跃度

13/20

文档质量

15/20

安装易用性

15/20

查看 FMRS 评分方法 →

Jupyter MCP Server 是由 Datalayer 开发并维护的 MCP 服务器（BSD 3-Clause 开源许可），用于让 AI 客户端实时连接并操作 Jupyter Notebook。它支持实时查看 Notebook 变化、根据单元格输出反馈智能调整执行、理解整个 Notebook 上下文、处理图像与图表等多模态输出，并可在多个 Notebook 之间切换。服务器兼容任何 MCP 客户端（如 Claude Desktop、Cursor、Windsurf 等），可与本地 Jupyter、JupyterHub 以及 Datalayer 托管 Notebook 配合使用。通过可选的 jupyter_mcp_sandboxes 扩展，代码执行还能切换到 Datalayer、Kaggle、Google Colab、Modal、Daytona、E2B、CoreWeave、Cloudflare 等多种沙箱后端。项目还提供 JupyterLab 集成（默认启用）、jupyter-cite 提示词、OAuth 2.1 登录以及基于 OpenTelemetry 的可观测性。

工具能力

launch_sandbox

启动一个代码沙箱（需安装可选的 jupyter_mcp_sandboxes 扩展）。

list_sandboxes

列出当前可用的代码沙箱（需安装可选的 jupyter_mcp_sandboxes 扩展）。

use_sandbox

选择并切换到指定的代码沙箱（需安装可选的 jupyter_mcp_sandboxes 扩展）。

terminate_sandbox

终止指定的代码沙箱（需安装可选的 jupyter_mcp_sandboxes 扩展）。

notebook_run-all-cells

运行 Notebook 中的全部单元格（JupyterLab 集成默认暴露的工具，来自 jupyter-mcp-tools）。

notebook_get-selected-cell

获取当前选中的单元格（JupyterLab 集成默认暴露的工具，来自 jupyter-mcp-tools）。

安装接入

准备环境：pip install jupyterlab jupyter-collaboration jupyter-mcp-tools ipykernel。
启动 JupyterLab，例如：jupyter lab --port 8888 --IdentityProvider.token MY_TOKEN --ip 0.0.0.0。
确认协作功能生效：在 JupyterLab 中打开 Notebook 并编辑任意单元格，观察标签页指示符由 “×” 自动变为 “●”。
配置 MCP 客户端。推荐快速方式使用 uvx（需 uv 0.6.14 或更高）：在客户端配置中写入 command: uvx、args: ["jupyter-mcp-server@latest"]，并设置环境变量 JUPYTER_URL、JUPYTER_TOKEN、ALLOW_IMG_OUTPUT。
生产环境推荐使用 Docker 镜像 datalayer/jupyter-mcp-server:latest，在 macOS/Windows 上使用 host.docker.internal，在 Linux 上使用 --network=host。
如需沙箱生命周期工具或非 jupyter-server 沙箱变体，安装扩展：pip install jupyter_mcp_sandboxes。

claude_desktop_config.json

{
  "mcpServers": {
    "jupyter": {
      "command": "uvx",
      "args": ["jupyter-mcp-server@latest"],
      "env": {
        "JUPYTER_URL": "http://localhost:8888",
        "JUPYTER_TOKEN": "MY_TOKEN",
        "ALLOW_IMG_OUTPUT": "true"
      }
    }
  }
}

生成并校验客户端配置

选型与风险

适合谁

已经运行本地 JupyterLab 或 JupyterHub 并希望接入 AI 代理的用户
需要多模态输出（图像、图表、文本）的数据科学与机器学习工作流
希望把代码执行从本地扩展到 Datalayer、Kaggle、Google Colab 等云沙箱的团队
希望保持 Notebook 会话在代理断开后继续运行的用户

不适合谁

不运行任何 Jupyter Server、也不需要 Jupyter Notebook 的用户
使用不支持多模态图像输出的 LLM 或客户端且不希望关闭 ALLOW_IMG_OUTPUT 的用户
希望在无网络或无凭据环境下直接使用云端沙箱变体的用户

所需权限

访问 Jupyter Server 的 URL（JUPYTER_URL / DOCUMENT_URL / CODE_SANDBOX_URL）
Jupyter 访问令牌（JUPYTER_TOKEN，或分别使用 DOCUMENT_TOKEN 与 CODE_SANDBOX_TOKEN）
读写 Notebook 文档与执行代码的权限
使用云端沙箱时需相应厂商的凭据（如 DAYTONA_API_KEY、E2B_API_KEY、CWSANDBOX_API_KEY、CLOUDFLARE_SANDBOX_API_URL / CLOUDFLARE_SANDBOX_API_KEY、Kaggle 凭据、Modal 凭据等）
使用 Datalayer 托管服务时可选 OAuth 2.1 授权范围：notebooks:read、notebooks:write、code:execute、data:read

风险与副作用

AI 代理可在 Notebook 中执行任意代码，可能导致数据泄露、数据损坏或资源滥用
令牌泄露会让持有者获得与令牌同等的 Jupyter 访问权限
JupyterLab 默认以 --ip 0.0.0.0 启动时会扩大网络暴露面
云端沙箱会产生厂商侧的费用，且执行可能超出本地资源限制
jupyter-mcp-server 与 code-sandboxes 版本不匹配时，首次执行会报 Unknown sandbox variant: jupyter

常见排障

确认 JupyterLab 端口的 JUPYTER_URL 与启动命令中的端口一致
检查 JUPYTER_TOKEN 是否正确，必要时分别设置 DOCUMENT_TOKEN 与 CODE_SANDBOX_TOKEN
确认 jupyter-collaboration 已安装且 Notebook 的未保存指示符会自动变为 “●”
若 LLM 不支持多模态，将 ALLOW_IMG_OUTPUT 设为 false
使用 Docker 时，macOS/Windows 用 host.docker.internal，Linux 用 --network=host
运行 pytest tests/ 验证服务，必要时通过 TEST_MCP_SERVER、TEST_JUPYTER_SERVER 控制测试范围
版本不匹配时按表格配对：jupyter-mcp-server >= 1.5.0 配 code-sandboxes >= 1.1.1，jupyter-mcp-server < 1.5.0 配 code-sandboxes <= 1.0.9
jupyter-mcp-server >= 2.0.0 需要 mcp >= 2，旧版本需要 mcp < 2；环境中有其他包仍锁定 mcp<2 时需留在 jupyter-mcp-server<2

使用场景

让 AI 助手实时读取并修改正在运行的 Jupyter Notebook

让 AI 逐步执行数据分析工作流（数据清洗、特征工程、模型训练、模型评估）

在多个 Notebook 之间切换并管理其内核

生成并查看包含图像和图表的可视化输出

通过沙箱变体把代码执行扩展到云端 GPU 环境

支持客户端

Claude Desktop完整支持

Cursor完整支持

Windsurf完整支持

VS Code完整支持

Cline完整支持

Claude Code完整支持