Jupyter データ分析
AI Agent 向け: このページの Markdown 版は https://ankole.agentbull.com/ja-JP/docs/jupyter-data-analysis/index.md、ドキュメント索引は https://ankole.agentbull.com/ja-JP/llms.txt にあります。
データ分析は試行錯誤の連続です。DataFrame の中身を確認し、クエリを調整し、結果を可視化してはまた確認する——こうした反復作業を単発の Python プロセスで行うと、呼び出しのたびにメモリ上の状態が失われてしまいます。jupyter-live-kernel Skill は、ライブの Jupyter カーネルを起動して状態を保持し、Agent が複数のセルをまたいで対話的に分析を進められるようにします。このガイドでは、データ分析を担う Agent の実践的な構築手順を説明します。
最大の特徴は、Jupyter カーネルがセルをまたいで状態(ステート)を保持する点にあります。定義した変数や読み込んだ DataFrame、インポート済みのライブラリ、プロットの状態は、Agent のツール呼び出しをまたいでそのまま維持されます。そのため、ステップごとにデータを読み込み直したり、ライブラリを再インポートしたりせずに反復分析を進められます。
必要なもの
jupyter-live-kernelSkill が有効であること。 デフォルトで有効(default_enabled: true)になっています。詳しくは Skills を参照してください。- Worker イメージ。 Agent Computer Worker イメージには Python、Jupyter、
hamelnbカーネルがあらかじめ組み込まれているため、追加インストールなしで利用できます。 primaryモデルプロファイルがバインドされていること。 Agent が生成した Python コードを、カーネル側で実行します。
kernel を使う場合と 1 回限りの script を使う場合
次のような場面では Jupyter カーネルが適しています。
- 反復的に分析を進める場合: データの確認、条件の調整、再確認を繰り返す作業
- 状態を保持したい場合: 読み込み済みの DataFrame、学習済みのモデル、インポート済みのライブラリを維持したいとき
- データの構造を探索したい場合: 最終的なクエリを組み立てる前に、データの傾向や欠損状況を調べたいとき
一方、次のような場面では単発の Python プロセス(command ツール経由)を使います。
- スクリプトがステートレスな場合: 1 回実行して出力を得れば完了する処理
- バッチ変換を行う場合: 対話的な確認を必要としないファイル変換などの定型処理
この Skill の SKILL.md でも、「ステートレスなスクリプトには単発の Python プロセスを優先してください」と案内されています。
kernel の仕組み
jupyter-live-kernel Skill は ankole-runtime: main を宣言しているため、Agent は会話中に直接利用できます。Session または Job のワークスペースで Jupyter サーバーを起動し、ローカルの Unix ソケット経由でセルを送信します。セルは同じ実行中のカーネルを共有するので、セル 1 で定義した変数をセル 5 から参照できます。
反復作業では、Agent が追跡可能なシェルセッションでサーバーを維持し、作業終了時に停止します。バッチ処理では、サーバーの起動、分析、成果物の確認、後片付けを 1 回の呼び出しで行います。カーネルのメモリは一時的なプロセス状態なので、残したい結果はファイルに保存してください。
実践例
チームメンバーがチャネルに投稿した CSV ファイルを分析する Agent をセットアップしてみましょう。
jupyter-live-kernelSkill が有効になっていることを確認します(デフォルトで有効です)。- Agent を作成し、
AGENTS.mdに次のように記述します。「チャネルに CSV が投稿されたら DataFrame に読み込み、スキーマと要約統計量を確認したうえで、異常値を特定し、グラフを添えて調査結果を報告してください。」 - チャネルに CSV ファイルを添付するか、Console から Agent のドライブへアップロードしてファイルパスを伝えます。
- 依頼を受けた Agent はワークスペースでカーネルを起動して CSV を読み込み、反復的にデータを確認・可視化したうえで結果を報告します。
このガイドではないもの
このページは Python や pandas 自体の入門ガイドではありません。コードを書くのは Agent であり、Skill はその実行環境を提供する役割を担います。また、配布用ノートブックの作成手順を解説するものでもありません。カーネルはあくまで Agent が分析を進めるための実行基盤であり、保存用ノートブックの生成を主目的とはしていません(もちろん、タスクとして指示すればノートブックを保存させることは可能です)。なお、仕様の正確な詳細については、正式なリファレンスである Skill 本体の SKILL.md をあわせて参照してください。
次のステップ
- Skill システムの全体像については Skills および Writing a skill を参照してください。
- シェルツールの詳細については Code execution を参照してください。
- バックグラウンド Job については Background jobs を参照してください。
- Agent へのファイル受け渡しについては File management を参照してください。