Jupyter AI集成：定制菜单与提示建议提升数据科学工作流

如果你正在用 Jupyter Notebook 做数据分析或机器学习，是不是也遇到过这样的场景：写代码卡壳时，得切到浏览器去搜 Stack Overflow；想画个图但忘了 Matplotlib 的某个参数，得去翻官方文档；或者想用大模型辅助生成一段数据处理代码，又得手动复制粘贴到另一个聊天窗口。

整个过程被频繁打断，思路就像被切碎的磁带。这背后是一个更本质的问题：我们的核心开发工具（Notebook）与新兴的智能能力（大模型）之间，存在着一道深深的“工具鸿沟”。我们不得不在多个应用间反复横跳，效率在切换中流失。

最近，一个可能改变这种工作流的信号出现了：根据网络信息，Google 的 Gemini 正在测试一项名为“Notebook 应用定制菜单”的新功能，并计划推出“提示建议”。这听起来可能只是一个 UI 小改动，但我的判断是：这标志着 AI 能力从“外挂式助手”向“嵌入式工作流”的关键一步，其目标是让大模型成为你编码环境里“看不见的副驾驶”。

本文将为你深入解析这个趋势。我不会只复述新闻，而是会带你搞清楚：

1. “定制菜单”和“提示建议”到底是什么？它们如何具体改变你的 Notebook 使用体验？
2. 为什么这个功能值得关注？它解决了数据科学工作流中哪些真实的痛点？
3. 作为开发者，你现在可以怎么做？我将手把手演示如何利用现有工具（如 Jupyter AI、相关扩展）在本地搭建一个类似的“智能增强”环境。
4. 它有什么潜在的问题和局限？帮你理性看待，避免踩坑。

无论你是想提前体验未来工作流，还是仅仅想提升现有 Notebook 的开发效率，这篇文章都会提供可直接落地的思路和代码。

1. 从“工具切换”到“环境内智能”：一个工作流的根本性转变

在深入技术细节之前，我们需要先理解当前 AI 辅助编程的普遍模式及其瓶颈。

目前，大多数开发者使用大模型（如 ChatGPT、Gemini、Claude）辅助编程的方式可以概括为“复制-粘贴-切换”循环：

1. 在 IDE 或 Notebook 中遇到问题。
2. 选中代码或描述问题，复制。
3. 切换到浏览器或独立的聊天应用。
4. 粘贴问题，等待模型回复。
5. 将回复的代码或解释复制回来。
6. 切换回开发环境，粘贴并测试。

这个过程至少有三大损耗：

• 上下文丢失：每次切换，你都需要在脑中重新加载任务状态。Notebook 中已有的变量、数据框、之前的单元格输出，这些宝贵的上下文无法直接传递给模型。
• 操作摩擦：简单的复制粘贴动作，重复多次后就会形成显著的注意力中断。
• 反馈延迟：模型生成的代码可能需要调整才能在你的特定环境中运行，这又可能引发新一轮的“切换循环”。

而“Notebook 应用定制菜单”和“提示建议”所指向的，是一种“环境内智能（In-Environment Intelligence）”范式。它的核心思想是：将 AI 能力深度集成到开发工具的用户界面和交互流程中，让智能建议在需要的时候、在正确的位置，以最自然的方式出现。

具体到 Notebook 场景：

• 定制菜单：可能允许用户或开发者将常用的 AI 操作（如“解释这段代码”、“优化性能”、“生成单元测试”）以菜单项的形式添加到 Notebook 界面中。一键点击，即可对当前选中的代码块或单元格执行操作。
• 提示建议：系统可能会根据你正在编写的代码内容、光标位置、甚至数据特征，主动在侧边栏或浮动窗口中提供相关的代码补全、函数用法提示、数据可视化建议或下一步操作推荐。

这不再是简单的“问答”，而是将 AI 转化为开发环境的一种原生能力，类似于代码补全（IntelliSense）或 linting，但理解和生成的能力更强。

2. 核心概念拆解：定制菜单、提示建议与 Jupyter 生态

为了理解 Gemini 的这个动向，我们需要先厘清几个关键概念及其在 Jupyter 生态中的对应物。

2.1 Jupyter Notebook 与 JupyterLab

• Jupyter Notebook：一个基于 Web 的交互式计算环境，以“单元格”为单位组织代码、文本和可视化结果。它是数据科学和机器学习领域的事实标准工具。
• JupyterLab：是 Notebook 的下一代界面，提供了一个更模块化、可扩展的 IDE 式环境。它支持同时打开多个 Notebook、文本编辑器、终端等组件，并且拥有强大的扩展系统。绝大多数高级功能（包括 AI 集成）都是通过 JupyterLab 的扩展机制实现的。

2.2 Jupyter 扩展（Extension）

这是实现“定制菜单”功能的技术基础。JupyterLab 扩展是用 TypeScript/JavaScript 编写的插件，可以：

• 添加新的菜单项到菜单栏、上下文菜单（右键菜单）。
• 创建新的侧边栏面板。
• 与 Notebook 文档内容进行交互（读取单元格内容、插入新单元格等）。
• 与后端的 Python 内核或自定义服务器通信。

一个“AI 功能菜单”本质上就是一个 JupyterLab 扩展，它在界面中添加了一个按钮或菜单项，当用户点击时，触发一个与 AI 服务（如 Gemini API）通信的后端逻辑，并将结果插回 Notebook。

2.3 提示（Prompt）与提示工程（Prompt Engineering）

• 提示：你输入给大模型的指令或问题文本。在编程辅助场景，一段待解释的代码加上“请解释这段代码的功能”就是一个提示。
• 提示建议：系统为你预生成或推荐的提示模板。例如，当它检测到你选中了一段复杂的循环代码，可能会在附近弹出一个小提示：“需要优化性能吗？”点击即可自动生成一个包含你代码和优化指令的完整提示发送给模型。这降低了使用 AI 的门槛，用户无需每次都构思如何提问。

2.4 现有实现：Jupyter AI

在官方功能到来之前，社区已经做出了卓越的探索。Jupyter AI是一个将生成式 AI 集成到 Jupyter 环境中的官方项目（由 Project Jupyter 团队维护）。它已经实现了我们讨论的许多核心思想：

• 魔法命令：在单元格中使用%%ai等魔法命令直接调用模型。
• 聊天界面：在 JupyterLab 中集成一个侧边栏聊天机器人，上下文感知（可以引用 Notebook 中的内容）。
• 生成代码：根据自然语言描述生成并插入代码单元格。
• 解释/修复代码：对选中的代码提供解释或修复建议。

我们可以将 Gemini 的“定制菜单”和“提示建议”视为对类似 Jupyter AI 这类项目所探索方向的进一步产品化和体验优化，可能更深度地集成到 UI 交互中。

3. 环境准备：搭建你的本地“智能 Notebook”实验场

在等待官方功能的同时，我们完全可以在本地利用现有工具搭建一个功能近似的环境。这里我们以JupyterLab + Jupyter AI（后端使用 Gemini API）为例。

前置条件：

• Python 3.8 或更高版本。
• pip 包管理工具。
• 一个可访问的 Google AI Studio 账户，用于获取 Gemini API 密钥。

3.1 安装 JupyterLab 与 Jupyter AI

首先，我们创建一个干净的虚拟环境并安装核心包。建议使用虚拟环境来管理依赖。

# 创建并激活虚拟环境（以 conda 为例，也可使用 venv） conda create -n jupyter-ai-env python=3.10 conda activate jupyter-ai-env # 安装 JupyterLab 和 Jupyter AI pip install jupyterlab pip install jupyter-ai # 如果你希望使用 Gemini 作为后端模型，还需要安装 Google Generative AI 的 Python SDK pip install google-generativeai

3.2 配置 Gemini API 密钥

Jupyter AI 支持多种模型提供商（OpenAI, Anthropic, Gemini 等）。我们需要配置 Gemini 的 API 密钥。

1. 访问 Google AI Studio ，登录你的 Google 账户。
2. 在左侧菜单栏点击“Get API key”。
3. 创建一个新的 API 密钥并复制它。

接下来，你需要告诉 Jupyter AI 使用这个密钥。有几种方式，最直接的是设置环境变量。

在 Linux/macOS 终端中：

export GOOGLE_API_KEY='你的_实际_API_密钥' # 然后在这个终端中启动 JupyterLab jupyter lab

在 Windows PowerShell 中：

$env:GOOGLE_API_KEY='你的_实际_API_密钥' jupyter lab

更永久的配置方式（推荐）：创建一个配置文件。Jupyter AI 的配置通常位于~/.jupyter/jupyter_ai_config.py（Linux/macOS）或%USERPROFILE%\.jupyter\jupyter_ai_config.py（Windows）。如果文件不存在，请创建它。

# 文件路径：~/.jupyter/jupyter_ai_config.py c.AIModelProvider.gemini_api_key = "你的_实际_API_密钥" # 你也可以在这里指定默认使用的模型 c.AIModel.chat_model = "gemini-1.5-pro-latest" c.AIModel.embedding_model = "models/embedding-001"

3.3 安装 UI 扩展（可选但推荐）

基础的 Jupyter AI 已经提供了魔法命令和聊天面板。为了获得更接近“定制菜单”的体验，你可以探索一些社区扩展，或者我们利用 Jupyter AI 已有的功能来模拟。

首先，确保安装了 Node.js 和jlpm（JupyterLab 的包管理器），通常安装 JupyterLab 时会包含。然后，你可以搜索并安装一些增强 AI 交互的扩展，但请注意扩展的兼容性。

一个更简单的方法是，我们直接利用 Jupyter AI 内置的“生成代码”功能，它已经可以通过聊天界面或魔法命令实现上下文感知的辅助。

4. 核心功能实战：模拟“定制菜单”与“提示建议”工作流

现在，让我们启动 JupyterLab，并体验如何用现有工具完成类似“定制菜单”和“提示建议”的任务。

4.1 启动 JupyterLab

在配置好 API 密钥的终端中，运行：

jupyter lab

浏览器会自动打开 JupyterLab 界面。你应该能在左侧边栏看到一个“聊天”图标（一个对话气泡），这就是 Jupyter AI 的聊天界面。

4.2 模拟“定制菜单”场景：一键解释与优化代码

假设我们有一个 Notebook，里面有一段复杂的 pandas 数据操作代码，我们想快速理解或优化它。

步骤 1：创建 Notebook 并编写代码新建一个 Notebook（.ipynb文件），在第一个单元格输入以下代码：

import pandas as pd import numpy as np # 创建一个示例 DataFrame df = pd.DataFrame({ 'A': np.random.randn(100), 'B': np.random.randint(1, 100, 100), 'C': ['group_' + str(i%5) for i in range(100)] }) # 一段可能比较复杂的操作：按组过滤并计算统计量 result = df.groupby('C').apply(lambda x: x[x['B'] > x['B'].median()].agg({'A': 'mean', 'B': 'sum'})) print(result)

步骤 2：使用“聊天面板”实现上下文感知解释

1. 点击左侧边栏的“聊天”图标，打开 Jupyter AI 聊天面板。
2. 关键操作：在聊天面板中，你会看到一个“引用单元格”的按钮（通常是一个链接图标）。点击它，然后选择你刚刚编写了代码的那个单元格（比如In [1]）。
3. 现在，聊天输入框里会自动插入一个引用标记（如{cell-1}）。你直接在后面输入问题即可。
   • 输入：{cell-1} 请用中文解释这段代码每一步在做什么，并指出可能的性能瓶颈。
4. 按下回车发送。Jupyter AI 会将你选中的单元格内容连同问题一起发送给 Gemini 模型，并将回复显示在聊天框中。

这就模拟了“定制菜单”中的“解释代码”功能。你无需复制代码，AI 直接读取了 Notebook 的上下文。

步骤 3：使用“魔法命令”实现一键代码生成/修复Jupyter AI 提供了%%ai魔法命令，可以直接在单元格中调用模型。

• 场景：生成数据可视化代码新建一个单元格，输入以下内容：

  %%ai gemini-1.5-pro-latest 请为上面单元格中的 `df` DataFrame 生成绘制 `A` 列分布直方图和 `B` 列按 `C` 分组箱线图的 matplotlib 代码。请将图并排显示。

  执行这个单元格，Jupyter AI 会调用模型，并将生成的完整 Python 代码（包括import matplotlib.pyplot as plt等）直接输出在当前单元格下方。你可以直接运行这些代码。

• 场景：修复错误代码假设你写了一段有错误的代码：

  # 有错误的单元格 list_data = [1, 2, 3] print(list_data[5])

  在下一个单元格，使用魔法命令修复它：

  %%ai gemini-1.5-pro-latest fix 上面的单元格代码会引发索引错误，请修复它并提供健壮的版本，处理索引越界的情况。

  模型会分析上一个单元格的代码和错误，给出修复建议。

4.3 模拟“提示建议”场景：主动的智能补全

“提示建议”更强调主动性。虽然完全自动化的、基于代码语义的弹窗式建议需要更深的集成，但我们可以通过一些模式来模拟其价值。

思路：创建可复用的提示模板你可以在 Notebook 的开头创建一个 Markdown 单元格，作为你的“提示模板库”。例如：

### AI 提示模板库 **1. 代码解释：** > 请解释以下代码的功能、输入输出以及关键步骤：`{code}` **2. 代码优化（性能）：** > 以下代码可能存在性能问题，请分析并给出优化建议：`{code}` **3. 生成单元测试：** > 为以下 Python 函数生成完整的 pytest 单元测试用例：`{code}` **4. 数据可视化建议：** > 我有一个 DataFrame，列包括：`{columns}`。数据类型为：`{dtypes}`。我想探索数据之间的关系，请推荐 2-3 种最合适的可视化方案并给出 matplotlib 或 seaborn 代码示例。

当你在编写代码时，如果需要 AI 帮助，可以快速复制对应的模板，将{code}、{columns}等占位符替换为实际内容，然后通过聊天面板或魔法命令发送。这减少了构思提示的时间，是一种手动的“提示建议”。

5. 构建一个简易的“自定义菜单”扩展（概念演示）

对于想要更深入集成的开发者，我们可以概念性地描述如何创建一个最简单的 JupyterLab 扩展来添加一个自定义菜单项。这需要前端（TypeScript）和后端（Python）的知识。

目标：在 JupyterLab 的工具栏添加一个按钮，点击后，将当前选中的单元格内容发送给 Gemini API 并请求解释，然后将解释插入到一个新的 Markdown 单元格中。

项目结构概览：

my-ai-menu-extension/ ├── package.json # 扩展的元数据和依赖 ├── tsconfig.json # TypeScript 配置 ├── src/ │ ├── index.ts # 扩展主入口文件 │ └── handler.ts # 后端请求处理 ├── schema/ │ └── plugin.json # 扩展声明 └── setup.py # Python 后端安装配置

核心步骤：

1. 前端（index.ts）：创建按钮并定义点击行为

   // src/index.ts import { JupyterFrontEnd, JupyterFrontEndPlugin } from '@jupyterlab/application'; import { ICommandPalette, MainAreaWidget } from '@jupyterlab/apputils'; import { Widget } from '@lumino/widgets'; import { requestAPI } from './handler'; // 假设的后端通信模块 const plugin: JupyterFrontEndPlugin<void> = { id: 'my-ai-menu-extension:plugin', autoStart: true, requires: [ICommandPalette], activate: (app: JupyterFrontEnd, palette: ICommandPalette) => { console.log('JupyterLab extension my-ai-menu-extension is activated!'); // 创建一个新命令 const command = 'ai-helper:explain-code'; app.commands.addCommand(command, { label: 'AI 解释代码', execute: async () => { // 获取当前活动 Notebook 和选中的单元格 const notebook = app.shell.currentWidget; if (notebook && notebook.node.classList.contains('jp-Notebook')) { // 这里需要获取选中的代码内容，实际代码更复杂 const selectedCode = '...'; // 伪代码：提取选中文本 try { // 调用后端接口 const data = await requestAPI('explain', { body: JSON.stringify({ code: selectedCode }), method: 'POST' }); // 创建一个新的 Markdown 单元格并插入解释结果 // ... 伪代码：插入单元格操作 console.log('AI 解释结果：', data.explanation); } catch (error) { console.error('调用 AI 接口失败：', error); } } } }); // 将命令添加到命令面板和菜单（此处简化） palette.addItem({ command, category: 'AI Helper' }); } }; export default plugin;

2. 后端（handler.py）：处理 HTTP 请求并调用 Gemini API

   # my_ai_menu_extension/handler.py import json from tornado.web import RequestHandler import google.generativeai as genai import os class ExplainCodeHandler(RequestHandler): def initialize(self, gemini_api_key): self.gemini_api_key = gemini_api_key genai.configure(api_key=self.gemini_api_key) self.model = genai.GenerativeModel('gemini-1.5-pro-latest') async def post(self): data = json.loads(self.request.body) code_snippet = data.get('code', '') if not code_snippet: self.set_status(400) self.write({'error': 'No code provided'}) return prompt = f"请用中文解释以下 Python 代码的功能：\n```python\n{code_snippet}\n```" try: response = await self.model.generate_content_async(prompt) explanation = response.text self.write({'explanation': explanation}) except Exception as e: self.set_status(500) self.write({'error': str(e)}) # 在 setup.py 中需要注册这个 handler 到 Jupyter Server

3. 安装与启用开发完成后，需要构建和安装扩展：

   # 安装依赖并构建 jlpm install jlpm build # 安装 Python 后端包 pip install -e . # 启用前端扩展 jupyter labextension develop . --overwrite jupyter server extension enable my_ai_menu_extension # 重启 JupyterLab jupyter lab build jupyter lab

请注意：以上代码仅为概念演示片段，省略了大量细节（如获取选中单元格内容、安全处理 API 密钥、错误处理、UI 更新等）。一个完整的生产级扩展开发涉及更多工程。但这个过程清晰地展示了“定制菜单”功能背后的技术原理：前端扩展添加 UI 元素 → 触发命令 → 后端服务处理 → 调用外部 AI API → 将结果返回并更新 Notebook。

6. 运行效果与验证

完成环境搭建和功能体验后，你的 JupyterLab 应该具备以下能力，你可以逐一验证：

1. 聊天面板上下文引用：

   • 操作：在 Notebook 中选中一个代码单元格，在 AI 聊天面板点击“引用”按钮后提问。
   • 预期结果：AI 的回答能准确基于你引用的代码内容进行解释或操作，而不是泛泛而谈。

2. 魔法命令生成与执行：

   • 操作：在一个空单元格输入%%ai gemini-1.5-pro-latest，然后换行写“生成一个函数，计算斐波那契数列前 n 项”。
   • 预期结果：执行后，该单元格下方会输出模型生成的 Python 函数代码。你可以直接在一个新单元格中调用这个函数进行测试。

3. 模拟提示建议工作流：

   • 操作：按照第 4.3 节创建提示模板库。当需要分析一段数据时，复制“数据可视化建议”模板，填入你的 DataFrame 信息，发送给聊天面板。
   • 预期结果：AI 能根据你提供的列名和数据类型，给出有针对性的图表类型建议和可运行的代码示例。

如果以上功能均能正常运行，说明你已经成功在本地构建了一个高度集成 AI 能力的 Notebook 环境，其核心体验与传闻中的“Gemini Notebook 定制菜单”在思路上是相通的。

7. 常见问题与排查思路

在搭建和使用过程中，你可能会遇到以下问题：

8. 最佳实践与工程建议

将 AI 深度集成到开发工作流中潜力巨大，但也需要新的实践来规避风险、提升效率。

1. 安全与隐私第一

   • API 密钥管理：永远不要将 API 密钥硬编码在代码或 Notebook 中。使用环境变量或安全的配置管理工具（如python-dotenv）。
   • 代码审查：AI 生成的代码，尤其是涉及文件操作、网络请求、数据库访问或系统命令的代码，必须经过严格的人工审查后才能在生产环境或敏感数据上运行。
   • 数据脱敏：向云端 AI 服务发送代码或数据时，确保不包含任何敏感信息（如密码、密钥、个人身份信息、未公开的商业数据）。考虑对数据进行脱敏处理，或使用支持本地部署的模型。

2. 设计有效的提示词

   • 角色设定：在提示开头为 AI 设定角色，如“你是一位经验丰富的 Python 数据科学家”。
   • 提供上下文：充分利用 Jupyter AI 的“引用单元格”功能，让模型看到完整的数据结构、变量定义和之前的代码逻辑。
   • 明确任务与格式：清晰说明你要它做什么（解释、优化、生成、调试），并指定输出格式（如“返回一个 Python 字典”、“给出修改后的完整代码块”）。
   • 迭代优化：如果第一次结果不理想，不要放弃。基于模型的回复调整你的问题，进行多轮对话以逼近目标。

3. 将 AI 作为“增强的搜索引擎”而非“替代者”

   • 理解优先：对于 AI 生成的代码或解释，努力去理解其背后的原理，而不是盲目复制粘贴。这是学习的过程。
   • 验证结果：始终运行和测试 AI 生成的代码。对于关键逻辑，编写简单的测试用例进行验证。
   • 保持主导权：AI 是强大的助手，但项目的架构设计、关键决策和最终责任仍在开发者手中。避免形成过度依赖。

4. 团队协作规范

   • 如果在团队中推广使用 AI 辅助工具，建议建立简单的规范，例如在代码注释中标注 AI 生成的部分，或对使用 AI 生成的复杂逻辑进行同行评审。
   • 统一团队的提示词模板库，可以提高协作效率。

9. 总结与展望：嵌入式 AI 是 Notebook 进化的必然方向

通过本文的探索，我们可以看到，“Gemini Notebook 应用定制菜单将推提示建议”并非一个孤立的功能更新，而是整个 AI 赋能开发者工具大趋势下的一个具体体现。它的核心价值在于减少认知摩擦和操作摩擦，让开发者能更流畅地停留在“心流”状态中。

我们通过 Jupyter AI 等现有工具，已经可以在本地搭建起一个功能强大的“智能 Notebook”环境，实现上下文感知的代码解释、生成、优化和对话。这充分证明了技术上的可行性。

对于未来，我们可以期待几个方向的深化：

• 更深度的 UI 集成：提示建议可能从“手动触发”变为“智能感知、主动推荐”，比如在代码补全列表中直接出现 AI 生成的复杂代码片段建议。
• 更丰富的操作类型：除了解释和生成，菜单可能集成代码重构、测试生成、文档撰写、性能剖析等更多专项任务。
• 工作流自动化：结合 Notebook 的单元格执行能力，AI 建议可能直接转化为可执行的操作序列，例如“检测到数据加载完成，建议进行缺失值分析和可视化”，点击后自动插入并执行一系列分析单元格。

作为开发者，现在的行动建议是：不要等待。立即开始尝试将 Jupyter AI 或类似的工具集成到你的日常数据科学工作流中。从简单的代码解释开始，逐步尝试用它来生成样板代码、探索数据或调试错误。在这个过程中，你会更深刻地理解如何与 AI 协作，并为未来更先进的工具做好准备。同时，务必建立安全审查的习惯，让 AI 真正成为你手中安全、高效的“副驾驶”。

技术的最终目的是服务于人。当 AI 的能力被无缝编织进我们最熟悉的工具里时，我们或许能更专注于那些真正需要创造力和判断力的部分。