这个 Skill 能做什么，适合哪些场景？
该技能面向实验、探索性分析和教学教程场景，帮助创建结构清晰、可复现的 `.ipynb` 文件。它根据任务意图选择 experiment 或 tutorial 模式，并优先使用内置模板和 `new_notebook.py` 脚本生成起始文件。技能也覆盖现有笔记本的结构化重构、逐单元编排和结果验证。仓库已弃用，当前技能与插件示例应参考 OpenAI Plugins repository。
识别笔记本属于实验、教程或现有笔记本重构；调用 $CODEX_HOME/skills/jupyter-notebook/scripts/new_notebook.py，从 assets/experiment-template.ipynb 或 assets/tutorial-template.ipynb 生成笔记本；更新标题并写入指定输出路径；指导编写小型可运行代码单元、说明性 Markdown 单元和简洁输出；在条件允许时从头运行并按质量清单验证。
- 数据分析人员需要从零创建一个假设驱动的实验笔记本时，使用 experiment 模式生成一致的结构。
- 研究人员需要比较提示词变体或记录探索过程时，用模板快速建立可重跑的实验文件。
- 教学作者准备面向特定受众的分步教程时，使用 tutorial 模式组织代码和解释。
- 开发者需要把脚本或零散笔记整理成可读、可复现的笔记本时，按重构流程保留原意并改善结构。
如何安装这个 Skill？
- 本评估仅基于所提供文件，未执行脚本或笔记本；模板、图标和许可证文件未出现在证据中，无法确认安装包完整性。
- 仓库 README 声明仓库已弃用；使用前应确认当前维护入口和兼容的 Codex 版本。
- 技能允许生成或编辑可能包含敏感数据的笔记本，但未提供数据脱敏、执行隔离或输出清理指引。
- Shell / 命令行
- 本地文件系统
Python 3.12uv
该技能位于 skills/.curated/jupyter-notebook/。README 说明，精选技能可在 Codex 中运行：$skill-installer jupyter-notebook。安装后重启 Codex 以加载技能。仓库 README 未提供单独许可证信息；单个技能的许可证应查看其目录中的 LICENSE.txt，但本源材料未说明该文件内容。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/openai/skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/.curated/jupyter-notebook" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- Create a tutorial notebook titled Intro to embeddings.
- Intro to embeddings
先明确目标、受众和完成标准，再选择 experiment 或 tutorial。例如请求：“Create a tutorial notebook titled Intro to embeddings.” 生成时可运行：uv run --python 3.12 python "$JUPYTER_NOTEBOOK_CLI" --kind tutorial --title "Intro to embeddings" --out output/jupyter-notebook/intro-to-embeddings.ipynb，其中 $JUPYTER_NOTEBOOK_CLI 默认指向 $CODEX_HOME/skills/jupyter-notebook/scripts/new_notebook.py。
这个 Skill 有哪些优点和局限？
- 提供实验和教程两类明确工作流。
- 使用模板和标准库脚本减少手写 notebook JSON 的错误。
- 包含现有笔记本重构、运行验证和质量检查指引。
- 规定临时文件与最终输出目录，便于保持项目整洁。
- 仓库 README 明确标注已弃用。
- 源材料未提供测试套件、支持平台矩阵或实际执行结果。
- 执行笔记本时可能需要额外安装 `jupyterlab` 和 `ipykernel`。
- 该技能只覆盖 Jupyter 笔记本工作流，不提供特定分析领域、数据源或模型能力。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Jupyter 笔记本工作流助手 本页 ✓ OpenAI · 官方 | 49 · 谨慎使用 | ★ 28k | 4 个月前 | — |
| Golden Jupyter 笔记本技能 | 37 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Golden Jupyter 目录笔记本技能 | 34 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Jupyter 主题分析测试技能 | 31 · 不推荐 | ★ 15k | 25 天前 | MIT |
| Jupyter 数据分析参考技能 | 26 · 不推荐 | ★ 15k | 25 天前 | MIT |
FollowSkills 如何评估这个 Skill？
脚本仅读取模板并写入用户指定输出路径，默认拒绝覆盖且无网络、凭据或外部服务操作，具备一定权限约束与回滚保护；但未说明笔记本内容的数据流、敏感数据处理、依赖安全或完整来源归属，因此扣分。
脚本使用标准库，包含参数校验、模板存在性检查、JSON 形状检查和覆盖保护，静态看主路径合理；但提供材料未包含模板文件、测试套件或 CI，且无法静态确认完整安装路径和运行结果，因此受静态上限与不确定性扣分。
明确覆盖实验、教程、新建、转换和重构场景，并提供 experiment/tutorial 决策树；但非适用范围、触发排除条件和边界不足，中文内容与中国大陆环境适配未说明，uv/Jupyter 依赖可能影响部分执行场景，因此扣分。
文档按触发条件、工作流、参考资料、脚本和输出约定分层，命名和参数较稳定；但许可证元数据未知，版本、变更记录、维护责任和更新路径不清晰，且仓库 README 标示已弃用，因此扣分。
目标输出是结构化、可复用的 ipynb，脚本可生成带标题的模板并减少 JSON 手工错误，核心脚手架价值明确；但模板文件未在证据中提供，内容填充仍需人工完成，且没有可验证的代表性成品或执行结果，因此按静态上限保守扣分。
脚本和规则均可审计，错误条件和输出行为有明确源码依据；但没有测试、CI、第三方执行证据或交叉来源，结论只能依赖单一静态材料，因此未给满分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →