معرفی Jupyter Agents
Jupyter Agents یک فریم‌ورک متن‌باز است که به مدل‌های زبانی بزرگ (LLM) این امکان را می‌دهد که کد را درون اینک از نوت‌بوک‌های Jupyter اجرا کنند و در یک حلقهٔ تعاملی از خروجی‌های کد برای تصمیم‌گیری استفاده نمایند.
فرآیند آموزش مدل‌ها
آموزش مدل به صورت دو مرحله‌ای انجام می‌شود؛ ابتدا با استفاده از پایپ‌لاین‌های Dataset و Training Pipeline مجموعه‌ای از نوت‌بوک‌های آموزشی جمع‌آوری و پاک‌سازی می‌شود، سپس مدل در محیطی شبیه به خود Jupyter آموزش می‌بیند تا مهارت‌های کدنویسی و تحلیل را در یک محیط تعاملی بیاموزد. این پروژه شامل
- حذف تکرار بزرگ‌سکیل
- بارگذاری مجموعه‌های داده پیوندی
- امتیازدهی بر مبنای یادگیری
- فیلتر کردن نوت‌بوک‌های نامربوط
- تولید سوال‑پاسخ و ردیابی برای بهبود کیفیت
- پیش‌تصفیه نهایی برای تضمین صحت داده
چگونه می‌توان از آن استفاده کرد؟
اساساً Jupyter Agent همانند ابزارهای پیشرفته‌ای مانند Cursor عمل می‌کند ولی به‌صورت یکپارچه درون کاری‌تابۀ دانش داده می‌باشد. کاربر می‌تواند در نوت‌بوک خودش، کد را با دستورات طبیعی بنویسد و مدل، آن را اجرا کرده، نتایج را تجزیه و تحلیل و در گام بعدی هماندا اتخاذ کند. نسخهٔ اولیه با مدل Qwen-3 Coder منتشر شد که به دلیل قدرت بالای کد نویسی، نمونه‌ای بسیار موفق از این فناوری را نشان داد.
پرسش‌های پرتکرار
Jupyter Agents چیست؟
Jupyter Agents یک سیستم هوش مصنوعی متن باز است که مدل‌های زبانی بزرگ را قادر می‌سازد تا کد را درون نوت‌بوک‌های Jupyter اجرا کرده و خروجی‌های آنها را به‌عنوان بخشی از چرخهٔ تصمیم‌گیری استفاده کند.
چه LLM هایی می‌توانند با Jupyter Agents کار کنند؟
در ابتدا مدل Qwen-3 Coder، یکی از قدرتمندترین مدل‌های کدنویسی، آزمایشی کرده و پس از آن نسخه‌های موردی از دیگر مدل‌های LLM که قابلیت پردازش و اجرای کد را دارند، در دسترس خواهند بود.
