MCP Jupyter — ejecutar notebooks y código Python desde Claude Code

Qué es#

Si tu trabajo vive en Jupyter notebooks (análisis de data, ML research, prototipado), este MCP te deja operar notebooks desde Claude Code: ejecutar celdas, ver outputs, agregar código, manejar kernels.

La diferencia con escribir Python a mano en Claude Code: el MCP mantiene estado del kernel. Una variable cargada en una celda anterior sigue disponible. Esto es valioso para workflows de exploración donde cargás un dataset una vez y después iterás queries sobre él.

Tabla resumen#

Cómo se instala#

npx claude-code-templates@latest --mcp devtools/jupyter

Pre-requisitos:

• Jupyter server corriendo (jupyter notebook o jupyter lab)
• Token o credenciales si el server requiere auth
• Python environment con kernels apropiados

Para Claude:

Instalé el MCP devtools/jupyter. El Jupyter server está en
http://localhost:8888 con token X. Listame los notebooks disponibles y
abrí `analysis.ipynb`. Ejecutá la primera celda y mostrame el output.

Qué podés hacer con esto#

Análisis exploratorio con kernel persistente#

"Cargá sales_2026.csv en un DataFrame df. Mostrame info(), describe() y null counts". El kernel queda con df cargado. Las siguientes preguntas no recargan el archivo.

Iteración rápida sobre data#

"Filtrame df para el último trimestre. Hacé un groupby por producto y sumá revenue. Plotéalo". Claude escribe el código, ejecuta y devuelve el plot inline.

ML workflow asistido#

"Cargá el dataset, splitealo train/test, entrená un random forest con default params, evaluá accuracy y matriz de confusión". Pipeline ML típico en notebook.

Bridge con Hugging Face#

"Bajá el modelo X de HF, cargalo en un kernel, hacé inferencia sobre estas 100 muestras y devolveme métricas". Combo discovery (HF) + ejecución (Jupyter).

Documentación literate#

"Para cada celda de este notebook, agregame un markdown cell encima explicando qué hace". Convertir notebook crudo en explicación reproducible.

Análisis de papers#

"Para los papers de arXiv que descargué, leélos y armame un notebook que tenga una celda de markdown con el resumen de cada uno + una celda de código que reproduzca el plot principal si es replicable".

Pre-requisitos#

• Jupyter server corriendo (local o remoto)
• Token si el server requiere auth (default Jupyter pide)
• Environment Python con las libs que vas a usar (pandas, numpy, etc.)
• Conocer la ubicación de tus notebooks o crear nuevos

Cuándo NO conviene#

Bajalo de la fuente#

• Ficha en aitmpl.com: Jupyter MCP — comando exacto.
• Config JSON: jupyter.json.

Recursos relacionados#

• Hugging Face MCP — combo natural: HF para discovery de modelos, Jupyter para ejecutar.
• arXiv MCP Server — combo de research: arXiv para papers, Jupyter para reproducir.
• Claude Code Best Practices — buenas prácticas cuando combinás Claude con runtimes externos.