Jupyter AI：一位在职数据科学家的诚实评价
我已经使用Jupyter AI大约六个月了，既在Jupyter Lab中也在经典笔记本中。它是一个开源扩展，将LLM驱动的辅助功能直接带入你的笔记本环境。无需单独的聊天窗口或在工具外管理API密钥——它就在你的单元格内部。以下是它的实际功能、优势以及不足之处。
它的优势
核心功能是%%ai魔法命令。你在单元格中写入%%ai <模型> <提示>，它就会生成代码、文本或解释。例如：
%%ai openai-chat:gpt-4
编写一个pandas代码片段，用于加载CSV文件，按'region'分组，并计算每月的平均销售额。
它会输出一个可用的代码块。我经常用它来处理模板代码：数据清洗步骤、使用matplotlib绘图或转换混乱的日期时间列。这比从ChatGPT复制粘贴更快，因为上下文已经是你的笔记本——它能看到你的变量名和数据框列。
另一个强项是内联代码解释。我选中一个单元格，运行%ai explain，就能获得对复杂lambda或列表推导式的通俗易懂的分解。这对于新团队成员入职或审查遗留笔记本非常有用。
关键工作流程
- 快速原型设计：我会写一个模糊的提示，比如“在这份数据上拟合随机森林并打印特征重要性”，然后调整输出。AI很少能正确设置超参数，但它提供了一个框架。
- 调试错误：如果某个单元格抛出异常，我将错误信息粘贴到
%%ai单元格中，并问“哪里出错了？”它通常能识别出缺少的导入或数据类型不匹配。 - 文档生成：我用它为刚写的函数编写文档字符串。效果尚可——聊胜于无，但未达到出版标准。
局限性（诚实部分）
首先，上下文长度是一个问题。Jupyter AI会将整个笔记本（或至少最后几个单元格）发送给模型。对于一个包含200个单元格且带有大型数据框的笔记本，这会很快消耗掉令牌限制。你会遇到上下文窗口问题，模型会开始产生幻觉或忘记之前的指令。
其次，模型选择非常重要。它支持OpenAI、Anthropic、Cohere以及通过Ollama支持的本地模型。开源模型（如Llama 3 8B）在特定领域任务上明显较差——它们会生成语法正确但逻辑错误的代码。GPT-4很可靠，但按令牌收费。本地模型免费，但对于复杂任务来说速度慢且不够智能。
第三，它不理解你的数据。AI能看到列名和数据类型，但它不了解实际值或领域语义。我曾让它生成一个“日期过滤器”，结果它对日期时间列使用了字符串比较——技术上正确，但在边缘情况下会失败。你仍然需要验证每个输出。
第四，没有实时协作。如果你在结对编程，AI只响应在该特定笔记本中打字的人。它不集成Jupyter的实时协作功能。
定价现实
它是开源的，所以扩展本身免费。你需要支付模型API调用费用。如果使用OpenAI的GPT-4，一个典型会话（大约50-100个提示）大约花费2到5美元。对于每天大量使用，这笔费用会累积。通过Ollama使用本地模型免费，但需要一块不错的GPU（7B模型至少需要16GB显存）。我在本地运行Mistral 7B处理简单任务，对于复杂任务则切换到GPT-4。
谁应该使用它
- 编写大量模板代码的数据科学家（加载、合并、绘图）。在重复性任务上可节省30-40%的按键操作。
- 教育工作者，希望在实时编码会话中快速生成示例。
- 已经为LLM API付费且每天使用Jupyter的人。
谁应该跳过它
- 生产环境机器学习工程师，需要可靠、确定性的代码。AI会引入微妙的错误。
- 网速慢的人（每个提示都需要一次API往返）。
- 对数据隐私有严格要求的用户（提示内容会发送到外部API，除非使用本地模型）。
