用 marimo pair 给数据科学工作流加上 Agent 能力

2026-05-01 28 预计阅读时间：1 分钟
来源：realpython.com AI 摘要 原文链接

免责声明：本文为 AI 摘要整理，建议结合原文阅读。摘要可能省略上下文、版本差异或边界条件，不作为官方说明。

预计阅读时间：10 分钟

数据科学家日常最耗时间的不是建模，而是数据清洗、探索和反复试错。Jupyter Notebook 虽然普及，但单元格之间的隐式依赖和不可复现性一直是痛点。marimo 作为新一代 reactive notebook，已经在解决这些问题上走出了坚实的一步——而现在，它又往前迈了一层：marimo pair 把 coding agent 直接嵌入到 notebook 工作流里，让 agent 成为你的数据科学搭档，而不是一个需要反复 copy-paste prompt 的外部工具。

marimo 的 reactive 基础：为什么它比 Jupyter 更适合接 agent

Jupyter 的核心问题是：改了上面一个单元格，下面的单元格不会自动更新，运行顺序决定了结果，notebook 的"状态"藏在内核里，不可追踪。marimo 的做法完全不同——每个单元格是一个纯函数，变量之间的依赖关系被自动追踪，改了任何一处，所有下游单元格立刻重新执行。这意味着 notebook 的状态永远是确定的、可复现的。

这种确定性对 agent 尤其重要。agent 需要在一个可预测的执行环境里操作：它改了一段代码，必须能确认下游效果，而不是面对一个"不知道当前内核状态是什么"的黑箱。marimo 的 reactive 语义天然提供了这个保证。

marimo pair：agent 不再是聊天窗口里的旁观者

传统方式下，你和 AI 的协作是这样的：在另一个窗口写 prompt，拿到代码片段，手动粘贴到 notebook 里，运行，看结果，再回去写下一个 prompt。这个循环的摩擦很大——上下文在两个环境之间断裂，agent 看不到你的 notebook 状态，你也看不到 agent 的推理过程。

marimo pair 的思路是：agent 直接在 notebook 里工作。它能看到你的单元格、数据、输出，也能直接生成或修改单元格。你不再是"向 agent 提问"，而是"和 agent 一起写 notebook"。具体来说：

  • 数据清洗搭档：你描述清洗意图，agent 生成对应的 pandas/polars 操作单元格，你确认后它立刻成为 notebook 的一部分，下游自动更新。
  • 探索性分析搭档：你指向一列数据，agent 生成分布图、统计摘要、异常检测的单元格，你选择保留或调整。
  • 研究搭档：agent 帮你查找文档、解释 API 参数、生成调用示例，直接嵌入 notebook，而不是丢在聊天记录里。

关键区别在于：agent 的产出不是一段需要你手动搬运的文本，而是一个活的、会随数据变化自动更新的单元格。

实践：从安装到和 agent 协作写一个数据清洗 notebook

下面用一个完整的小例子展示 marimo pair 的实际用法。假设我们有一份脏数据需要清洗和初步探索。

安装和启动

# 安装 marimo（pair 功能在 0.9+ 版本可用）
pip install "marimo>=0.9"

# 启动 marimo notebook
marimo edit data_cleaning.py

注意 marimo 的 notebook 保存为 .py 文件，不是 JSON——这意味着它们可以直接被 Git 追踪、被 CI 运行、被 Python 导入。

手动写第一个单元格：加载脏数据

在 marimo 编辑器里新建一个单元格，输入：

import marimo as mo
import polars as pl

# 加载示例脏数据（这里用内联数据演示，实际可替换为 read_csv 等）
raw_df = pl.DataFrame({
    "name": ["Alice", "bob", "CAROL", None, "Dave"],
    "age": [28, -1, 35, 999, 22],
    "email": ["alice@example.com", "invalid-email", "carol@test.org", None, "dave@demo.net"],
    "signup_date": ["2024-01-15", "2024-02-30", "2024-03-10", None, "2024-04-01"],
})
raw_df

运行后你会看到表格输出。因为 marimo 是 reactive 的，这个变量 raw_df 自动对下游可见。

用 marimo pair 让 agent 生成清洗逻辑

在 marimo 编辑器中，你可以通过内置的 AI 助手（pair 功能）来生成下一个单元格。在对话区域描述意图，例如：

"raw_df 里有几个问题：name 列大小写不一致且有缺失值，age 列有 -1 和 999 这种异常值，email 列有格式错误，signup_date 有无效日期。帮我生成一个清洗单元格。"

agent 会生成类似下面的代码作为新单元格：

import re
from datetime import date

cleaned_df = raw_df.with_columns([
    # name: 标准化大小写，填充缺失值
    pl.col("name").str.to_uppercase().fill_null("UNKNOWN").alias("name"),

    # age: 将 -1 和 999 替换为 null，后续可决定填充策略
    pl.when(pl.col("age").is_in([-1, 999]))
      .then(None)
      .otherwise(pl.col("age"))
      .alias("age"),

    # email: 简单正则校验，不合法的标为 null
    pl.when(pl.col("email").str.contains(r"^[\w.+-]+@[\w-]+\.[\w.-]+$"))
      .then(pl.col("email"))
      .otherwise(None)
      .alias("email"),

    # signup_date: 尝试解析，无效日期标为 null
    pl.col("signup_date").str.to_date("%Y-%m-%d", strict=False).alias("signup_date"),
])
cleaned_df

由于 marimo 的 reactive 特性，这个单元格自动依赖 raw_df——如果你回头修改了 raw_df 的数据源，cleaned_df 会立刻重新计算。

继续让 agent 帮你做探索性分析

再向 pair 描述：

"对 cleaned_df 做一个快速概览：各列的缺失值计数、age 的分布统计。"

agent 可能生成：

# 缺失值统计
null_counts = cleaned_df.select([
    pl.col(c).null_count().alias(c) for c in cleaned_df.columns
])
null_counts

# age 列分布统计（排除 null）
age_stats = cleaned_df.filter(pl.col("age").is_not_null()).select([
    pl.col("age").min().alias("min"),
    pl.col("age").max().alias("max"),
    pl.col("age").mean().alias("mean"),
    pl.col("age").median().alias("median"),
])
age_stats

每一段都是独立的单元格，输出自动渲染在 notebook 里。你可以保留、修改、删除，全都在同一个可复现的 .py 文件中。

保存和导出

# marimo notebook 自动保存为 Python 文件
# 可以直接作为脚本运行（跳过 UI）
python data_cleaning.py

# 也可以导出为 HTML 报告分享
marimo export html data_cleaning.py --output report.html

采纳建议与需要注意的边界

什么时候值得用 marimo pair：

  • 你的数据工作以探索和清洗为主，需要频繁试错——agent 的即时单元格生成比手动写 prompt-复制-运行循环快得多。
  • 你需要 notebook 可复现、可版本控制——marimo 的 .py 格式和 reactive 语义解决了 Jupyter 的两个顽疾。
  • 团队协作中需要"可运行的文档"而不是"只能看的报告"。

什么时候要谨慎：

  • agent 生成的清洗逻辑需要你逐行审查。它可能选择和你意图不同的策略（比如用均值填充 vs 标记为 null），不要盲目接受。
  • marimo pair 的 agent 能力依赖底层 LLM 服务，涉及数据隐私的场景要注意 API 调用是否把数据发送到外部。
  • 复杂的、需要长时间运行的 pipeline（比如训练大模型）不适合在 notebook 里做——notebook 的优势是交互式探索，不是批量生产。

快速检查清单：

  1. ✅ 安装 marimo>=0.9，确认 pair 功能可用
  2. ✅ 用 marimo edit xxx.py 启动，习惯 .py 文件即 notebook 的心智模型
  3. ✅ 先手动写数据加载单元格，再让 agent 生成下游逻辑——你掌控数据源，agent 辅助处理
  4. ✅ 审查 agent 生成的每一行代码，特别是填充策略和正则逻辑
  5. ✅ 利用 reactive 特性：改上游数据后检查下游是否如预期更新
  6. ✅ 完成探索后用 marimo export html 生成可分享的报告

marimo pair 不是让 agent 替你做数据科学，而是让 agent 在一个确定性环境里和你同步工作——你定方向，它写细节，reactive 语义保证每一步的效果都是可见的、可追踪的。这种协作模式比在聊天窗口里来回搬运代码要高效得多。

相关推荐