ipython-gpt
ipython-gpt 是一款专为 Jupyter Notebook 和 IPython Shell 设计的轻量级扩展，让你能直接在代码环境中与 ChatGPT 进行对话。它解决了开发者在编写数据分析或科学计算代码时，无需切换窗口即可快速获取代码建议、调试帮助或原理解释的痛点，极大地提升了编码流畅度。
这款工具特别适合数据科学家、Python 开发者以及科研人员使用。其核心亮点在于无缝集成：安装后只需加载扩展并配置 OpenAI API 密钥，即可通过 %%chat 魔法命令发起对话。它不仅支持多轮上下文记忆，让对话更自然连贯，还允许用户自定义 AI 的角色设定（例如将其指定为"R 语言助手”或“可视化专家”），以适应不同的技术栈需求。此外，ipython-gpt 无需复杂的外部依赖，支持全局配置默认模型和系统指令，甚至能在 Google Colab 等云端环境中便捷运行。作为一个早期开源项目，它为希望在熟悉的编程界面中直接利用大模型能力的用户提供了一个简单高效的解决方案。
使用场景
数据分析师小李正在 Jupyter Notebook 中清洗一份复杂的销售数据集，突然遇到 pandas 输出格式异常和特定统计函数写法模糊的问题，急需快速解决以推进分析进度。
没有 ipython-gpt 时
- 上下文频繁切换：必须手动复制报错代码或需求描述，切换到浏览器打开 ChatGPT 网页版提问，再切回 Notebook 查看结果，打断心流。
- 环境适配困难：网页端给出的通用代码往往忽略当前 Notebook 已加载的库版本或变量状态，直接运行常报“未定义变量”等错误。
- 调试效率低下：针对“如何全局取消科学计数法”这类具体配置问题，需要反复多轮对话才能获取可执行的精确代码片段。
- 角色设定繁琐：每次新对话都要重新强调“请用 Python 数据分析专家的身份回答”，否则容易得到过于理论化的解释而非代码。
使用 ipython-gpt 后
- 无缝原地交互：直接在代码单元格输入
%%chat指令提问，无需离开当前界面，AI 基于当前上下文即时返回可执行代码。 - 智能上下文感知：ipython-gpt 自动保留对话历史并感知当前会话状态，生成的代码能直接引用已定义的 DataFrame 变量，开箱即用。
- 精准配置解决：通过
--system-message预设专家角色，一句提问即可获得包含%pd.set_option的全局配置代码，复制即运行成功。 - 灵活参数控制：利用
%chat_config一键设定默认模型和角色，后续所有提问自动继承专业数据分析视角，无需重复指令。
ipython-gpt 将 AI 助手深度嵌入开发工作流，把原本割裂的“查询 - 复制 - 调试”过程转化为流畅的原地编程体验，显著提升了数据探索的效率。
运行环境要求
- Linux
- macOS
- Windows
不需要 GPU
未说明
快速开始
IPython ChatGPT 扩展
这个（独立、无需外部依赖）扩展允许您直接从 Jupyter Notebook 或 IPython Shell 中使用 ChatGPT（演示）。
重要提示！ 这是一个非常早期且粗糙的版本，我在代码质量和功能缺失方面还有很多需要改进的地方。请查看 此议题 以了解大致的“路线图”。
安装
!pip install ipython-gpt
然后在您的笔记本或 IPython shell 中：
%load_ext ipython_gpt
设置
您首先需要在 OpenAI 上生成一个 API 密钥（https://platform.openai.com/account/api-keys），并将其设置为环境变量 OPENAI_API_KEY。您可以通过修改 .bashrc/.zshrc 文件来完成，或者在启动 Jupyter 时直接指定：
$ OPENAI_API_KEY=[YOUR-KEY] jupyter lab
# ...
$ OPENAI_API_KEY=[YOUR-KEY] ipython
如果您在 Google Colab 上工作，可以使用 %env 魔术方法（请注意，如果不删除该单元格，您的密钥将可见）：
%env OPENAI_API_KEY=sk-W8b0... 您的密钥 ...
还有其他几种设置 API 密钥的方式，但推荐使用环境变量。
ChatGPT API
命令 %%chat 用于与 ChatGPT 交互。它接受多个参数（参见用法）。以下是一个示例：
%%chat --max-tokens=25
生命的目的是什么？
...
>>> 聊天回复
重要提示 默认情况下，%%chat 命令会保留对话历史，以便为助手提供上下文，这与 ChatGPT 的工作方式相同。您可以通过传递 --reset-conversation 标志来“重置”其状态。
%%chat --reset-conversation
如何避免 Pandas 在输出中使用科学记数法，并使其全局生效？
...
...
>>> 聊天回复
助手的角色（系统消息）及其他聊天参数
默认情况下，聊天会以角色 “你是一名 Python 数据科学编码助手” 开始。您可以在首次使用 %%chat 时传递不同的内容来更改它：
%%chat --system-message="你是一名 R 数据科学助手"
您的消息...
一旦对话开始，您就无法再更改初始消息，因为上下文会被保留。如果需要更改，必须先重置对话：
%%chat --system-message="你是一名 R 数据科学助手" --reset-conversation
您的消息...
设置全局配置
您可以使用 %chat_config 行魔术来更改默认值：
%chat_config --system-message="你是一名专注于可视化的 R 数据科学家编码助手" --model "其他模型" --reset-conversation
不带参数调用它即可查看当前的默认设置：
%chat_config
...
>>>
##### 当前配置：
* **默认模型**: gpt-3.5-turbo
* **默认系统消息**: 你是一名 Python 数据科学编码助手
* **聊天历史长度**: 0
其他方法
显示可用模型
用法：
%chat_models [--all-models]
%chat_models
可用模型：
- gpt-3.5-turbo-0301
- gpt-3.5-turbo
显示用法及接受的参数
%reload_ext ipython_gpt
%chat_help
...
使用方法: ipykernel_launcher.py [-h] [--openai-api-key OPENAI_API_KEY]
[--reset-conversation]
[--system-message SYSTEM_MESSAGE]
[--no-system-message] [--model MODEL]
[--temperature TEMPERATURE]
[--max-tokens MAX_TOKENS] [--all-models]
替代认证方式
除了设置环境变量外，您还可以在笔记本中将 OPENAI_API_KEY 设置为全局变量，或者直接在任何方法中通过 --openai-api-key=YOUR-KEY 参数传递。
这些替代方法并不推荐，因为您的 API 密钥可能会泄露到笔记本的历史记录中，而这些记录会存储在 .ipynb_checkpoints 文件夹中。
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
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。
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。
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。
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。
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。