现在，大语言模型（LLM）与 Jupyter 连接起来了！
这主要归功于一个名叫 Jupyter AI 的项目，它是官方支持的 Project Jupyter 子项目。目前该项目已经完全开源，其连接的模型主要来自 AI21、Anthropic、AWS、Cohere、OpenAI 等各大明星公司和机构。
项目地址：https://github.com/jupyterlab/jupyter-ai
有了大模型的加持，Jupyter 功能也发生了很大的变化。现在你可以在该环境中生成代码、总结文档、创建注释、修复错误等。你甚至可以使用文本 prompt 生成 notebooks。
Jupyter AI 的安装过程也非常简单，安装代码如下：
bash
pip install 'jupyter-ai>=1.0,<2.0' # If you use JupyterLab 3
pip install jupyter-ai # If you use JupyterLab 4技术交流
建了技术交流群！想要进交流群、获取如下原版资料的同学，可以直接加微信号：dkl88194。加的时候备注一下：研究方向 +学校/公司+CSDN，即可。然后就可以拉你进群了。
方式①、添加微信号：dkl88194，备注：来自CSDN + 技术交流
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群
资料1
资料2
此外，Jupyter AI 提供了两种不同的界面与 LLM 交互。在 JupyterLab 中，你可以使用聊天界面与 LLM 进行对话，以帮助处理代码。此外，在任何支持 notebook 或 IPython 的环境中，包括 JupyterLab、Notebook、IPython、Colab 和 Visual Studio Code，你可以使用 %% ai 魔术命令调用 LLM。
大模型加持下的 Jupyter
接下来我们看看效果如何。
编程助手
Jupyter 聊天界面如下图所示，用户可以与 Jupyternaut（编程助手）进行对话。在 Jupyternaut 功能栏我们可以看到这样一句话「大家好，我是 Jupyternaut，你的编程助理。你可以使用文本框向我提问，也可以使用命令向我提问。」
接下来，用户向 Jupyternaut 询问了一个问题：如「在 Python 中，元组和列表有什么区别？」Jupyternaut 给出了这两者的关键区别，并且回答的非常正确，最后还贴心的举了示例：
假如有一部分代码你不是很了解，你可以选中这部分代码，并将其当做 prompt，然后要求 Jupyternaut 解释这段代码，除此之外，Jupyternaut 还能对代码进行修改、识别代码错误等。
如果你对代码不满意，还可以让 Jupyternaut 按照要求重写代码：
重写代码后，Jupyternaut 会将代码重新发送回用户选择的语言模型进行替换：
从文本 prompt 生成 notebook
Jupyter AI 的聊天界面可以根据文本 prompt 生成一个完整的 notebook。想要实现这一点，用户需要运行「/generate」命令，外加一个文本描述。
Jupyternaut 生成 notebook 后，会向用户发送一个包含文件名的消息，用户可以打开该文件进行查看：
访问本地文件
你可以使用「/learn」命令让 Jupyternaut 学习本地文件，随后使用「/ask」命令询问有关本地文件的问题。举例来说，使用「/learn」命令，你可以让 Jupyternaut 学习关于 Jupyter AI 文档的知识：
一旦 Jupyternaut 学习完成，你就可以使用「/ask」命令提出问题：
魔法功能
Jupyter AI 还提供了可以在 notebook cells 和 IPython 命令行界面中运行的 %% ai 命令，每个 %% ai 命令都需要一个模型，通常指定为 provider‑id:model‑id：
还有研究者体验了一下 %% ai 魔法命令，让其调用 ChatGPT ：
此外，你还可以使用 - f 或 --format 参数自定义输出的格式，包括 HTML、数学、源代码和图像，这对于研究人员和教育工作者来说非常有用。
一番展示下来，有了大模型加持的 Jupyter 确实方便了很多。想要尝试的小伙伴，可以前去一试了。