jupyter-tabnine

GitHub
790 118 简单 1 次阅读 1周前MIT语言模型插件
AI 解读 由 AI 自动生成,仅供参考

jupyter-tabnine 是一款专为 Jupyter Notebook 设计的智能代码补全插件,它利用深度学习技术为数据科学家和开发者提供精准的代码自动完成建议。在编写 Python 或其他支持的语言时,用户只需输入部分代码,该插件即可基于上下文预测并推荐后续内容,显著提升编码效率与流畅度。

传统 TabNine 客户端依赖子进程通信,而 Jupyter Notebook 的架构限制使其无法直接运行此类插件。jupyter-tabnine 创新性地采用“前端 + 后端”双插件架构:前端负责收集输入并发送 HTTP 请求,后端则调用 TabNine 二进制程序处理推理并返回结果,从而巧妙绕过技术限制,实现无缝集成。

该工具适合经常使用 Jupyter 进行数据分析、机器学习建模或教学演示的研究人员、工程师和学生。它兼容 macOS、Linux 和 Windows 系统,并支持 Chrome 与 Safari 浏览器。安装简便,通过 pip 几条命令即可完成配置。若需临时切换回 Jupyter 原生补全功能,仅需按下 Shift+Space 即可灵活切换。无论是日常开发还是复杂项目,jupyter-tabnine 都能让代码编写更智能、更高效。

使用场景

数据科学家小李正在 Jupyter Notebook 中构建一个复杂的深度学习模型,需要频繁调用 Pandas 进行数据清洗并编写自定义神经网络层。

没有 jupyter-tabnine 时

  • 每次输入长变量名(如 preprocessed_training_dataset)或冗长的库函数时,必须手动敲完所有字符,极易因拼写错误导致代码报错。
  • 忘记特定库(如 Scikit-learn)的具体参数顺序或方法名称时,不得不中断思路去查阅官方文档或搜索示例代码。
  • 编写重复性的数据转换逻辑时,只能逐行手写,无法智能预测下一行代码结构,编码节奏频繁被打断。
  • 在尝试新算法时,由于缺乏上下文感知的提示,往往需要多次试错才能写出语法正确的代码块。

使用 jupyter-tabnine 后

  • 基于深度学习的智能补全能精准预测完整变量名和函数调用,只需输入前几个字母即可一键上屏,彻底消除拼写错误。
  • 实时感知当前导入的库上下文,自动提示准确的参数名称和默认值,让开发者无需离开编辑器即可掌握 API 细节。
  • 能够识别代码模式并自动补全整行甚至多行逻辑(如完整的 DataFrame 过滤链),显著减少重复性敲击工作。
  • 在编写陌生领域的代码时,提供符合语法的智能建议,大幅降低试错成本,保持思维流的连续性。

jupyter-tabnine 通过将深度学习驱动的自动补全引入 Notebook 环境,将数据探索从繁琐的打字工作中解放出来,让开发者专注于算法逻辑本身。

运行环境要求

操作系统
  • Linux
  • macOS
  • Windows
GPU

未说明

内存

未说明

依赖
notes浏览器仅支持 Chrome 和 Safari,不支持 IE。该工具由客户端插件和服务端插件组成,服务端会启动 TabNine 二进制子进程。若需部署远程自动补全服务器以节省本地资源,需安装 Go 语言环境并构建 Docker 镜像;使用远程服务器功能时,必须从 GitHub 源码安装特定版本,PyPI 上的版本尚未包含此修复。
pythonPython 3 (通过 pip3 和 python3 命令推断)
jupyter-notebook>=4.2
golang 1.13-1.14 (仅远程服务器部署需要)
jupyter-tabnine hero image

快速开始

TabNine for Jupyter Notebook

此插件由 wenmin-wu 创建。

此插件已在 macOS、Linux 和 Windows 上测试通过,支持所有这些操作系统。浏览器方面支持 Chrome 和 Safari,但不支持 IE。

如果您发现此插件无法正常工作,请按照 如何调试 进行排查。如果仍无法解决问题,请提交 issue 并详细描述日志信息。

感谢您使用此插件!祝您使用愉快! :)

以其他语言阅读:英语, 中文

jupyter-tabnine

此 Jupyter Notebook 扩展允许在基于深度学习的代码自动补全功能中使用 TabNine。

TabNine 的其他客户端插件需要启动一个 TabNine 二进制文件的子进程,并通过管道进行通信。然而,在 Jupyter Notebook 中无法实现这一点,因为无法使用 jQuery 创建子进程,且 Jupyter Notebook 也不提供向插件添加第三方 JavaScript 库的方法。

为此,本仓库开发了一个适用于 Jupyter Notebook 的客户端插件和服务器插件。客户端插件会生成请求信息并发送 HTTP 请求至服务器插件,而服务器插件则将请求传递给其内部的 TabNine 客户端进程,并将结果返回给客户端插件。

安装

我发现许多用户遇到问题是因为没有正确安装和配置此插件。最简单的安装和配置方法是执行以下命令:

pip3 install jupyter-tabnine --user
jupyter nbextension install --py jupyter_tabnine --user
jupyter nbextension enable --py jupyter_tabnine --user
jupyter serverextension enable --py jupyter_tabnine --user

如果您希望以自定义方式安装和配置,可以参考以下步骤:

该扩展包含一个 PyPI 包,其中包含了 JavaScript Notebook 扩展以及 Python Jupyter 服务器扩展。自 Jupyter 4.2 起,推荐使用 PyPI 来分发 Notebook 扩展。您可以从以下途径安装此扩展:

  • 直接从 GitHub 仓库的主分支(始终是最新的版本)
  • 或通过 PyPI 上托管的版本

无论是从 GitHub 仓库还是 PyPI 安装:

  1. 安装包
    • pip3 install https://github.com/wenmin-wu/jupyter-tabnine/archive/master.zip [--user][--upgrade]
    • 或者 pip3 install jupyter-tabnine [--user][--upgrade]
    • 或者克隆仓库后手动安装: git clone https://github.com/wenmin-wu/jupyter-tabnine.git python3 setup.py install
  2. 安装 Notebook 扩展 jupyter nbextension install --py jupyter_tabnine [--user|--sys-prefix|--system]
  3. 启用 Notebook 扩展和服务器扩展
    jupyter nbextension enable --py jupyter_tabnine [--user|--sys-prefix|--system]
    jupyter serverextension enable --py jupyter_tabnine [--user|--sys-prefix|--system]
    

对于 Jupyter 4.2 之前的版本,在完成第 1 步之后的情况会稍微复杂一些,因为没有 --py 选项可用,因此您需要手动找到源文件的位置,具体操作如下(参考 @jcb91 的 jupyter_highlight_selected_word 指南):执行以下命令:

python -c "import os.path as p; from jupyter_tabnine import __file__ as f, _jupyter_nbextension_paths as n; print(p.normpath(p.join(p.dirname(f), n()[0]['src'])))"

然后执行:

jupyter nbextension install <输出源目录>
jupyter nbextension enable jupyter_tabnine/main
jupyter serverextension enable < 输出源目录 >

其中 < 输出源目录 > 是上述 Python 命令的输出结果。

使用

  • Jupyter TabNine 在安装完成后即可生效。有时您可能需要暂时显示 Jupyter 自带的原始补全提示,此时只需按下 Shift + Space 键。 show original complete demo
  • 此外,还支持远程自动补全服务器。这有助于加快补全请求的处理速度,或者当您的公司希望部署一个为所有人服务的补全服务器集群时,也可以采用这种方式。有关如何部署远程服务器的详细信息,请参阅下文。

卸载

要在 Mac/Linux 上卸载 TabNine 插件,请运行以下命令:

jupyter nbextension uninstall --py jupyter_tabnine
pip3 uninstall jupyter-tabnine

贡献

欢迎提交 Pull Request。对于重大更改,请先打开 Issue 讨论您计划修改的内容。

请确保相应地更新测试用例。

许可证

MIT 许可证

部署远程补全服务器

如果您不想占用过多本地资源,部署一个远程 TabNine 服务器会非常有用。您可以按照以下步骤构建、部署和配置远程 TabNine 服务器。

注意: 您需要使用 pip3 install https://github.com/wenmin-wu/jupyter-tabnine/archive/master.zip 来安装 jupyter-tabnine,因为修复了与远程服务器相关问题的版本尚未发布到 PyPI。

构建服务器镜像

我已经将镜像上传到了 Docker Hub,如果您想直接使用,可以跳过本节。

  • 安装 Go 语言(推荐版本为 1.13 - 1.14)
  • 执行 go get -v github.com/wenmin-wu/jupyter-tabnine/go/cmd
  • 切换到 $HOME/go/src/github.com/wenmin-wu/jupyter-tabnine
  • 执行 bash ./build-image.sh

启动服务器

如果您没有自行构建镜像,请将此脚本中的镜像名称改为 wuwenmin1991/tabnine-server:1.0

  • 直接执行 bash start-server.sh

在 Notebook 扩展中配置

  • 如果您尚未安装 Notebook 扩展,请先 安装 Notebook 扩展
  • 打开 Jupyter Notebook,进入 Notebook 扩展设置页面,点击 Jupyter TabNine,向下滚动并填写远程服务器的 URL,例如: remote-server-url-config

停止服务器

  • 直接执行 bash stop-server.sh

星标数量随时间变化

Stargazers over time

版本历史

v1.2.32021/08/23
v1.2.22021/02/28

常见问题

相似工具推荐

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

140.4k|★★☆☆☆|今天
开发框架Agent语言模型

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|昨天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|昨天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|2天前
Agent图像开发框架

PaddleOCR

PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。

74.9k|★★★☆☆|今天
语言模型图像开发框架

OpenHands

OpenHands 是一个专注于 AI 驱动开发的开源平台,旨在让智能体(Agent)像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点,通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员,还是需要快速原型验证的技术团队,都能从中受益。OpenHands 提供了灵活多样的使用方式:既可以通过命令行(CLI)或本地图形界面在个人电脑上轻松上手,体验类似 Devin 的流畅交互;也能利用其强大的 Python SDK 自定义智能体逻辑,甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK,这不仅构成了平台的引擎,还支持高度可组合的开发模式。此外,OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩,证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能,支持与 Slack、Jira 等工具集成,并提供细粒度的权限管理,适合从个人开发者到大型企业的各类用户场景。

70.6k|★★★☆☆|今天
语言模型Agent开发框架