🪐✨ Jupyter MCP Server

📖 ドキュメント  ·  🔧 ツール  ·  💬 コミュニティ

プロセスを実行する必要はありません。 Datalayer がこのサーバーをホストするようになりました。 https://mcp.datalayer.run/mcp が、すべてのエージェントとノートブックに対応する単一のエンドポイントです。 ブラウザーからサインインし、エージェントに許可する操作を承認すると、エージェントが切断された後もサーバー上で作業が続きます。

→ ホスト型 Jupyter MCP Server

1 つのコマンドで Claude Code に接続でき、/datalayer:notebook、/datalayer:run、/datalayer:status を利用できます。

/plugin marketplace add datalayer/jupyter-mcp-server
/plugin install datalayer

→ Claude Code 用 Datalayer プラグイン

無料のオープンソース、BSD 3-Clause — アカウント不要で、ローカルまたは JupyterHub など、すでに利用している任意の Jupyter に接続できます。

Datalayer が開発・保守しています。同じサーバーが、GPU Code Sandbox と永続的な実行環境を備えた常時稼働のノートブックを支えているため、ノートパソコンを閉じてもエージェントはデータを使った作業を続けられます。

コピー＆ペーストするトークンはありません。 このサーバーに未認証で接続したエージェントには、認証先が通知され、ブラウザーが開きます。そこでご自身として Datalayer にサインインします。エージェントにパスワードが渡ることはありません。エージェントには、承認した範囲に限定されたトークンが渡されます。また、ほかのエージェントに影響を与えずに、個別のエージェントとの接続を解除できます。

各エージェントができることは、2つの個別の判断で決まります。承認するスコープ（notebooks:read、notebooks:write、code:execute、data:read）によって実行できる操作の種類が決まり、ご自身の Datalayer 権限によって、アクセスできるノートブックが決まります。エージェントが、ご自身にアクセス権のないノートブックにアクセスすることはできません。

パーソナルアクセストークンも引き続き利用でき、CLI やスクリプトにはよりシンプルな方法です。 → OAuth と ID

code-sandboxes のバージョンを jupyter-mcp-server に合わせて固定してください。 code-sandboxes 1.1.1 でサンドボックスのバリアント jupyter は jupyter-server に改名されており、2つのパッケージで名前を一致させる必要があります。

# On 1.5.0 or later
pip install "jupyter-mcp-server>=1.5.0" "code-sandboxes>=1.1.1"

# Staying on an earlier jupyter-mcp-server
pip install "jupyter-mcp-server<1.5.0" "code-sandboxes<=1.0.9"

古いサーバーに新しい code-sandboxes をインストールすると、インストール自体は正常に完了しますが、最初の実行時に Unknown sandbox variant: jupyter というエラーが発生します。 → リリースノート

Jupyter MCP Server 2 は MCP Python SDK 2（mcp>=2,<3）上で動作します。これは SDK の初のメジャーリリースです。サーバーの起動方法や設定方法、ツール、接続する MCP クライアントに変更はありません。これまでどおり、各クライアントとの間でプロトコルがネゴシエートされます。変更されるのは Python 環境です。

両方のバージョンはパッケージ内で固定されているため、pip が適切に処理します。mcp<2 を引き続き固定している別のパッケージが環境に含まれている場合は、そのパッケージが更新されるまで jupyter-mcp-server<2 を使い続ける必要があります。SDK を使って拡張機能やカスタムトークン検証機能を作成する場合は、インポート名の変更についてリリースノートをご覧ください。

--provider は --document-provider に変更されました（環境変数 PROVIDER → DOCUMENT_PROVIDER）。

このオプションが選択するのは、ノートブックのドキュメントの保存先だけでした。Jupyter Server のコラボレーション API には jupyter、Datalayer の spacer には datalayer を指定します。一方、以前の名前とヘルプテキストでは、コードの実行先も選択するように見えていました。実行先は、--sandbox-variant（jupyter-server、datalayer、daytona、e2b、coreweave、cloudflare、kaggle、google-colab、monty、modal）で個別に選択します。

v1.3.2 では、何も壊れません。--provider は引き続きエイリアスとして受け付けられ、PROVIDER も引き続き読み込まれます。また、"provider" を含む /connect ペイロードも引き続き認識されます。都合のよいときに新しい名前へ移行してください。古い名前は非推奨ですが、削除されてはいません。

• 主な機能
• MCP の概要
• はじめに
• サンドボックスの種類
• ベストプラクティス
• コントリビューション
• リソース

🚀 主な機能

• ⚡ リアルタイム制御： ノートブックの変更を、発生したそばからすぐに確認できます。
• 🔁 スマートな実行： セルの出力フィードバックに基づき、セルの実行が失敗した場合に自動で調整します。
• 🧠 コンテキストを考慮： ノートブック全体のコンテキストを理解し、より関連性の高いやり取りを実現します。
• 📊 マルチモーダル対応： 画像、プロット、テキストなど、さまざまな出力形式に対応します。
• 📚 複数のノートブックに対応： 複数のノートブックをシームレスに切り替えられます。
• 🎨 JupyterLab との統合： ノートブックの自動オープンなど、UI との統合を強化します。
• 🤝 MCP 互換： Claude Desktop、Cursor、Windsurf など、あらゆる MCP クライアントで動作します。
• 🔍 可観測性： OpenTelemetry 統合を備えたフックシステムを内蔵し、ツール呼び出しやカーネルの実行をトレースできます。

あらゆる Jupyter デプロイメント（ローカル、JupyterHub など）と互換性があり、 Datalayer がホストするノートブックにも対応しています。Datalayer のコードサンドボックスには GPU が搭載されており、接続が切れても実行が継続します。

🔧 MCP の概要

🔧 ツールの概要

各ツールのパラメーター、スキーマ、戻り値は、実行中のサーバーのライブ スナップショットから生成され、 jupyter-mcp-server.datalayer.tech/mcp で公開されています。そのため、このファイルにコピーした表のように コードと食い違うことはありません。

ツールは次の 4 つのグループに分かれています。

• サーバーとコードサンドボックス — Jupyter のファイルシステムを参照し、カーネルを一覧表示し、実行時にサーバーへ接続し、コードサンドボックスを起動、選択、終了します。
• ノートブック — ノートブックを開く、作成する、切り替える、一覧表示する、読み取る、カーネルを再起動する、解放する操作を行います。
• セル — セルの読み取り、挿入、削除、移動、並べ替え、編集を、個別または一括で行い、出力をクリアします。
• 実行 — アクティブなバックエンドでセルまたは任意のコードを実行します。サンドボックスが対応している場合は、マルチモーダル出力とストリーミングを利用できます。

サンドボックスツールには、オプションの jupyter_mcp_sandboxes 拡張機能が必要です。詳しくは サンドボックスの種類をご覧ください。

JupyterLab との統合

JupyterLab モードが有効な場合にのみ利用できます。デフォルトで有効です。

JupyterLab モードでは、サーバーは jupyter-mcp-tools を通じて JupyterLab コマンドも MCP ツールとして公開します。 デフォルトでは notebook_run-all-cells と notebook_get-selected-cell が利用でき、allowed_jupyter_mcp_tools でさらに追加のツールを選択できます。全リストと設定方法については、 追加ツールのドキュメントをご覧ください。

📝 プロンプトの概要

このサーバーは MCP の プロンプト機能を実装しています。 jupyter-cite は、コーディング IDE やコマンドラインでの @ と同じように、ノートブック内の特定のセルを引用します。入力パラメーターと返される内容については、 プロンプトのドキュメントをご覧ください。

🏁 はじめに

Streamable HTTP トランスポート、Jupyter Server 拡張機能としての実行、高度な設定を含む包括的なセットアップ手順については、ドキュメントをご覧ください。または、以下の手順で JupyterLab と STDIO トランスポートを使ってすぐに始められます。

1. 環境をセットアップする

pip install jupyterlab jupyter-collaboration jupyter-mcp-tools ipykernel

環境が正しく設定されていることを確認するには、次の手順を実行します。

1. JupyterLab でノートブックを開きます
2. 任意のセル（コードまたは Markdown）に内容を入力します
3. タブのインジケーターを確認します。ノートブック名の横に「×」が表示され、未保存の変更があることを示します
4. 数秒待ちます。「×」が手動で保存しなくても自動的に「●」に変わります

この自動保存の動作は、リアルタイムコラボレーション機能が正しく動作していることを確認するもので、MCP サーバーとの統合に不可欠です。

2. JupyterLab を起動する

# Start JupyterLab on port 8888, allowing access from any IP and setting a token
jupyter lab --port 8888 --IdentityProvider.token MY_TOKEN --ip 0.0.0.0

上記の JupyterLab ではなく、JupyterHub を通じてノートブックを実行している場合は、JupyterHub セットアップガイドを参照してください。

3. 使用する MCP クライアントを設定する

次に、サーバーに接続するよう MCP クライアントを設定します。主な方法は 2 つあります。ニーズに最も合った方法を選択してください。

• 📦 uvx を使用する（クイックスタートにおすすめ）： uv を使用する軽量で高速な方法です。ローカル開発や初めて使用する方に最適です。
• 🐳 Docker を使用する（本番環境におすすめ）： 一貫性のある分離された環境を確保するコンテナ化方式で、本番環境や複雑なセットアップに最適です。

pip install uv
uv --version
# should be 0.6.14 or higher

{
  "mcpServers": {
    "jupyter": {
      "command": "uvx",
      "args": ["jupyter-mcp-server@latest"],
      "env": {
        "JUPYTER_URL": "http://localhost:8888",
        "JUPYTER_TOKEN": "MY_TOKEN",
        "ALLOW_IMG_OUTPUT": "true"
      }
    }
  }
}

{
  "mcpServers": {
    "jupyter": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-e", "JUPYTER_URL",
        "-e", "JUPYTER_TOKEN",
        "-e", "ALLOW_IMG_OUTPUT",
        "datalayer/jupyter-mcp-server:latest"
      ],
      "env": {
        "JUPYTER_URL": "http://host.docker.internal:8888",
        "JUPYTER_TOKEN": "MY_TOKEN",
        "ALLOW_IMG_OUTPUT": "true"
      }
    }
  }
}

{
  "mcpServers": {
    "jupyter": {
      "command": "docker",
      "args": [
        "run", "-i", "--rm",
        "-e", "JUPYTER_URL",
        "-e", "JUPYTER_TOKEN",
        "-e", "ALLOW_IMG_OUTPUT",
        "--network=host",
        "datalayer/jupyter-mcp-server:latest"
      ],
      "env": {
        "JUPYTER_URL": "http://localhost:8888",
        "JUPYTER_TOKEN": "MY_TOKEN",
        "ALLOW_IMG_OUTPUT": "true"
      }
    }
  }
}

1. ポートの設定：Jupyter の URL の port が、jupyter lab コマンドで使用するポートと一致していることを確認してください。設定を簡略化するには、JUPYTER_URL に設定します。
2. サーバーの分離：両方のサービスが同じサーバー上にある場合は JUPYTER_URL を使用します。高度なデプロイでは、個別の変数を設定します。デプロイによってはノートブックのストレージ（DOCUMENT_URL）とカーネルの実行（CODE_SANDBOX_URL）が分離されるため、URL 変数が複数用意されています。
3. 認証：ほとんどの場合、ドキュメントサービスとコードサンドボックスサービスでは同じ認証トークンを使用します。設定を簡略化するには JUPYTER_TOKEN を使用し、異なる認証情報を使う場合は DOCUMENT_TOKEN と CODE_SANDBOX_TOKEN を個別に設定します。
4. ノートブックのパス：DOCUMENT_ID パラメーターは、MCP クライアントがデフォルトで接続するノートブックのパスを指定します。JupyterLab を起動したディレクトリからの相対パスにする必要があります。DOCUMENT_ID を省略すると、MCP クライアントは Jupyter サーバー上で利用可能なすべてのノートブックを自動的に一覧表示できます。プロンプトを通じて、対話的にノートブックを選択できます。
5. 画像の出力：LLM がマルチモーダルな理解に対応していない場合は、ALLOW_IMG_OUTPUT を false に設定してください。

Claude Desktop、VS Code、Cursor、Cline、Windsurf など、さまざまな MCP クライアントの設定手順について詳しくは、MCP クライアントの設定を参照してください。

🧩 サンドボックスのバリエーション

デフォルトでは、コードは code-sandboxes の jupyter-server バリアントを介して、Jupyter Server（SANDBOX_VARIANT=jupyter-server）上で実行されます。SANDBOX_VARIANT に別の値を設定すると、選択したバリアントがカーネルを公開している場合、サンドボックスのプレーンなカーネルクライアントを介して別の code-sandboxes エンジンが使用されるため、同じノートブックツールで追加のバックエンド上でもコードを実行できます。

表記に大文字・小文字や区切り文字の厳密な指定はありません。google_colab、google-colab、GOOGLE-COLAB はすべて同じバリアントを示します。以下に示す名称が正式な名称です。

サンドボックス機能は、オプションの jupyter_mcp_sandboxes 拡張機能によって提供されます。サンドボックスのライフサイクルツール（launch_sandbox、list_sandboxes、use_sandbox、terminate_sandbox）を公開する場合、または jupyter-server 以外のサンドボックスバリアントを実行する場合は、pip install jupyter_mcp_sandboxes でインストールしてください。

各エンジンのページには、必要な認証情報、利用可能なアクセラレーターのオプション、実際に動作するクライアント設定が掲載されています。jupyter-mcp-server.datalayer.tech/code-sandboxes からご覧ください。

🧪 テスト

テストスイートを実行します。

pytest tests/

テストに必要な環境変数：

• デフォルトのローカルテストスイートでは不要です。

オプションの環境変数：

• TEST_MCP_SERVER：スタンドアロン MCP サーバーモードのテストを切り替えます（true／false、デフォルトは true）。
• TEST_JUPYTER_SERVER：Jupyter 拡張機能モードのテストを切り替えます（true／false、デフォルトは true）。
• DATALAYER_API_KEY：Datalayer クラウドのスモークテスト／統合テストでのみ必要です。
• DATALAYER_RUN_URL：datalayer エンジンのテストで使用する、任意のカスタム Datalayer コードサンドボックス URL です。
• SANDBOX_ENVIRONMENT：任意のクラウド環境の上書き設定です（例：ai-agents-env）。

✅ ベストプラクティス

• 高度なマルチモーダル理解機能を最大限に活用するため、マルチモーダル入力に対応した LLM（Gemini 2.5 Pro など）とやり取りしてください。
• 画像データを返し、その内容を解析できる MCP クライアント（Cursor、Gemini CLI など）を使用してください。一部のクライアントはこの機能に対応していない場合があります。
• 複雑なタスク（データサイエンスのワークフロー全体など）は、複数のサブタスク（データクリーニング、特徴量エンジニアリング、モデルのトレーニング、モデルの評価など）に分割し、ステップごとに実行してください。
• 明確に構成されたプロンプトとルールを提示してください（👉 プロンプトテンプレートを確認して、始めてみましょう）。
• できるだけ多くのコンテキスト（インストール済みのパッケージ、既存のデータセットのフィールドの説明、現在の作業ディレクトリ、詳細なタスク要件など）を提示してください。

🤝 コントリビューション

あらゆる種類のコントリビューションを歓迎します。たとえば、次のようなものがあります。

• 🐛 バグ修正
• 📝 既存機能の改善
• 🔧 新機能の開発
• 📚 ドキュメントの改善とプロンプトテンプレート

開発を始めてコントリビューションを提出するための詳しい手順については、コントリビューションガイドをご覧ください。

コントリビューター

📚 リソース

Jupyter MCP Server に関するブログ記事、動画、その他の資料をお探しですか？

👉 ドキュメントのリソースセクションをご覧ください。

このプロジェクトがお役に立ちましたら、ぜひ ⭐️ を付けてください。

❤️ を込めて Datalayer が制作しました。