跳到正文
Ankole

Jupyter 数据分析

面向 AI Agent:本页的 Markdown 版本位于 https://ankole.agentbull.com/zh-Hans-CN/docs/jupyter-data-analysis/index.md,全站文档索引位于 https://ankole.agentbull.com/zh-Hans-CN/llms.txt。

数据分析天然是一个反复迭代的过程:查看 DataFrame、调整查询逻辑、绘制图表,如此循环往复。单次运行的 Python 进程无法在多次调用之间保留内存状态,而 jupyter-live-kernel Skill 则在后台维护一个常驻的 Jupyter Kernel,供 Agent 跨多个单元格(Cell)连续驱动,完整保留上下文状态。本文将介绍这类数据分析 Agent 的实际配置与工作方式。

核心机制在于:Jupyter Kernel 跨单元格保持状态。无论是普通变量、DataFrame、已导入的库还是绘图上下文,都会在 Agent 的多次调用之间持续有效,因此无需每一步都重新加载数据或重复导入依赖库。

需要什么

  • 启用 jupyter-live-kernel Skill。 该 Skill 默认开启(default_enabled: true),详见 Skills。
  • 准备 Worker 镜像。 Agent Computer Worker 镜像已内置 Python、Jupyter 及 hamelnb Kernel,开箱即用。
  • 绑定 primary 模型档案。 由 Agent 编写 Python 代码,交由 Kernel 执行。

何时用 kernel vs 一次性脚本

以下场景适合使用 Jupyter Kernel:

  • 交互式迭代分析:需要反复查看中间结果、调整逻辑并再次验证;
  • 需要跨步保留内存状态:例如复用已加载的 DataFrame、已拟合的模型或已导入的第三方库;
  • 数据探查阶段:在编写最终查询逻辑前,需要先摸清数据结构与分布形态。

以下场景更适合通过 command 工具运行一次性 Python 进程:

  • 无状态脚本:只需运行一次、输出结果即可结束;
  • 批量文件转换:直接转换文件格式,中途无需检查中间状态。

正如该 Skill 的 SKILL.md 所述:“无状态脚本优先用一次性 Python 进程。”

kernel 如何工作

jupyter-live-kernel Skill 声明 ankole-runtime: main,Agent 可以在对话中直接使用。它在 Session 或 Job 工作区启动 Jupyter Server,通过本地 Unix Socket 发送代码单元格。各单元格共用同一个运行中的 Kernel,因此第 1 个单元格定义的变量在第 5 个单元格仍可引用。

需要多轮分析时,Agent 通过可追踪的 Shell session 保持服务运行,并在工作结束时停止;批处理则在一次调用内完成服务启动、分析、产物核验与清理。Kernel 内存是临时进程状态,需要保留的结果应保存为文件。

一个完整示例

下面配置一个专门分析团队在频道中所发 CSV 文件的 Agent:

  1. 确认 jupyter-live-kernel Skill 已启用(默认开启)。
  2. 创建 Agent 并编写 AGENTS.md:“当频道中出现 CSV 文件时,将其加载进 DataFrame,检查字段结构与汇总统计量,识别异常值,并配图汇报分析结论。”
  3. 在频道中直接上传 CSV 附件,或在 Console 中将其上传至 Agent 云盘并在对话中给出路径。
  4. 收到请求后,Agent 会在工作区启动 Kernel 加载 CSV,经过多轮交互检查与图表生成后,将分析结果发回频道。

本指南不是什么

  • 不是 Python 或 pandas 教程:分析代码由 Agent 自行编写,Skill 仅负责提供执行环境。
  • 不是 Notebook 创作指南:Kernel 主要供 Agent 在推理过程中交互调用,而非专门产出持久保存的 .ipynb 文件(当然,若任务明确要求,Agent 也可以保存一份 Notebook)。
  • 不替代阅读 SKILL.md:关于该 Skill 的权威调用规范,仍以其自带的 SKILL.md 为准。

下一步