$ loading_
帮助用户本地读取、编辑并执行 Jupyter 笔记本，完成代码与数据分析任务。
整体看属于本地型 MCP 工具，未见密钥需求或明确远程外发端点；主要风险来自其可执行 Jupyter notebook 代码，因此应按本机代码执行工具谨慎使用。来源虽有开源仓库但社区采用度很低、维护状态不明，供应链需留意。
材料未要求任何密钥、token 或环境变量，未见凭证收集或滥用迹象。
未声明任何远程端点或对外网络通信；描述仅指向本地 Jupyter kernel 的直接通信。
明确支持执行 Jupyter notebooks，意味着可在本机运行代码并调用内核能力；这是其核心功能但需防范不可信 notebook 代码。
工具可读写 notebook 文件并处理其内容，具备本地数据访问与修改能力；未见超出该功能的过度授权信息。
源码可在 GitHub 审计，属开源；但许可证未声明、社区采用度为 0 star、维护状态未知，供应链可信度有限。
复制安装指令，让 AI 自动完成配置 · 推荐新手
"notebook-editor" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
读取当前项目中的 analysis.ipynb，把所有硬编码的数据路径替换为 ./data/，然后从头执行整个笔记本，并告诉我是否有报错。
返回修改后的笔记本执行结果，并说明是否执行成功、哪一单元报错以及错误原因。
打开 experiments/model_debug.ipynb，执行到出错为止，定位报错单元并尝试修复代码；修复后重新运行相关单元，确保输出正常。
给出报错位置、修复后的代码与重新执行结果，并确认问题是否已解决。
读取 report.ipynb，在现有数据清洗后新增一个可视化单元，绘制销售额按月份变化趋势，并添加简短文字说明图表结论，最后执行新增内容。
生成新增的分析与图表单元，输出执行结果，并更新笔记本中的说明内容。
让 Claude Code 直接读写并执行 Jupyter Notebook，提升数据分析与实验开发效率。