Jupyter 数据分析

数据分析是迭代的——检查 DataFrame、调整查询、画结果、重复。一次性 Python 进程无法在调用间保持状态。jupyter-live-kernel skill 通过运行一个 agent 跨多个 cell 驱动的 live Jupyter kernel 解决它，保持状态。本指南是一个数据分析 agent 的实际形态。

先把决定性的性质说清楚：Jupyter kernel 跨 cell 有状态。变量、DataFrame、import 和绘图状态在 agent 的调用间持久。这让迭代分析成为可能——agent 不必每步重载数据或重新 import 库。

需要什么

• jupyter-live-kernel skill 已启用。 它是 default_enabled: true。见 Skills。
• worker 镜像。 Agent Computer Worker 镜像安装了 Python、Jupyter 和 hamelnb kernel。这些是镜像的一部分。
• 绑定 primary model profile。 agent 写 Python 代码；kernel 执行它。

何时用 kernel vs 一次性脚本

用 Jupyter kernel 当：

• 工作是迭代的——检查、调整、再检查
• 状态必须持久——加载的 DataFrame、拟合的模型、import 的库
• agent 需要在写最终查询前探索数据形态

用一次性 Python 进程（通过 command）当：

• 脚本无状态——跑一次、产出、完成
• 工作是批量转换——转换文件、无需检查

skill 的 SKILL.md 说：“无状态脚本优先用一次性 Python 进程。”

kernel 如何工作

jupyter-live-kernel skill 作为后台任务运行（ankole-runtime: background_job）。它在 worker 中启动一个 Jupyter kernel，agent 通过 skill 的工具向它发 cell。每个 cell 在 kernel 的持久状态中执行——cell 1 定义的变量在 cell 5 可用。

kernel 在后台任务期间保持存活。任务结束时 kernel 停止、其状态消失——它是临时执行状态，不持久。

一个完整示例

设置一个分析团队丢进频道的 CSV 的 agent：

1. 确认 jupyter-live-kernel skill 已启用（默认是）。
2. 创建 agent，撰写 MISSION.md：“当频道里出现 CSV，把它加载进 DataFrame，检查 schema 和汇总统计，识别异常，用图表报告发现。”
3. 在频道里上传一个 CSV（通过 worker-file 路由或提供 URL）。
4. agent 委派给后台任务，启动 kernel，加载 CSV，迭代检查，生成图表，回报。

本指南不是什么

它不是 Python 或 pandas 教程——agent 写代码；skill 提供执行环境。它不是 notebook 创作指南——kernel 供 agent 使用，不是产出保存的 notebook（尽管任务要求时 agent 可以保存一个）。它也不是读 skill 的 SKILL.md 的替代——那个文件是权威参考。

下一步

• skill 系统，读 Skills和编写 skill。
• shell 工具，读代码执行。
• 后台执行，读后台 Agent 任务。
• 上传文件给 Agent，读文件管理。