Google Cloud Workbench Notebooks 扩展把本地 VS Code 与 Google Cloud 上的托管 Jupyter Notebook 环境连接起来。它解决的核心问题很直接：开发者可以继续使用熟悉的本地编辑器，同时把 Notebook 代码放到云端托管环境中执行，不必在浏览器界面和本地工程之间频繁切换。
本地编辑体验，云端执行环境
这类连接方式把 Notebook 工作流拆成两个部分：VS Code 负责编辑、导航和项目管理，Google Cloud 的托管 Notebook 环境提供 Python 内核及相应计算资源。
对开发者而言，变化不只是“换一个界面”。真正有价值的是让 .ipynb 文件更自然地进入日常工程流程：
- 在 VS Code 中同时维护 Notebook、Python 模块、SQL 和配置文件。
- 使用本地 IDE 已有的搜索、代码补全和版本控制能力。
- 将计算放在托管 Jupyter 环境中，减少本地 Python 环境与云端环境来回切换。
- 让探索性分析逐步演化为可测试、可复用的工程代码。
需要注意，扩展连接的是远端环境。Notebook 中看到的文件系统、环境变量、Python 包和硬件资源，通常属于 Google Cloud 上的实例，而不是开发者的笔记本电脑。
连接前要确认的三件事
来源摘要没有给出具体的认证方式、支持区域或实例类型，因此实际操作时应以扩展界面和组织的 Google Cloud 配置为准。可以按下面的顺序检查：
- 在 VS Code 扩展市场中搜索并安装 Google Cloud Workbench Notebooks 扩展。
- 使用有权访问目标 Google Cloud 项目和 Notebook 实例的账号完成认证。
- 在扩展提供的资源列表或连接入口中选择托管 Notebook 环境，再为
.ipynb文件选择对应的远端内核。
企业项目还可能受到 IAM、VPC、防火墙、代理和组织策略的限制。能够在 Cloud Console 中看到实例，并不必然意味着本地 VS Code 可以建立连接；排查时应分别验证资源查看权限、实例使用权限和网络路径。
可以这样验证代码究竟运行在哪里
连接成功后，不要立即执行长时间训练任务。可以先在 Notebook 中运行下面这段 Python，确认主机、解释器和工作目录。代码只依赖 Python 标准库，可以直接复制到一个单元格中执行：
import json
import os
import platform
import socket
import sys
from pathlib import Path
runtime = {
"hostname": socket.gethostname(),
"python": sys.version.split()[0],
"executable": sys.executable,
"platform": platform.platform(),
"working_directory": str(Path.cwd()),
"has_google_cloud_project": bool(os.getenv("GOOGLE_CLOUD_PROJECT")),
}
print(json.dumps(runtime, indent=2))
重点检查 hostname、executable 和 working_directory。如果它们指向远端实例，说明当前单元格使用的是云端内核。GOOGLE_CLOUD_PROJECT 是否存在取决于实例配置，不能把它当作连接成功的唯一判断条件。
接着可以验证项目依赖。假设仓库中有以下 requirements.txt：
pandas==2.2.3
scikit-learn==1.5.2
在 Notebook 单元格中安装时，应明确使用当前内核对应的解释器：
import subprocess
import sys
subprocess.check_call([
sys.executable,
"-m",
"pip",
"install",
"-r",
"requirements.txt",
])
这种写法比直接调用 pip 更稳妥，因为 sys.executable -m pip 能减少“包装到了另一个 Python 环境”的风险。生产项目仍应使用锁定文件、预构建镜像或团队统一的环境管理方式，避免每次启动 Notebook 都临时安装依赖。
从实验文件走向可维护工程
远端 Notebook 接入 VS Code 后，可以这样实践：把数据探索留在 .ipynb，把稳定逻辑下沉到普通 Python 模块。例如建立一个最小目录：
notebook-project/
├── notebooks/
│ └── exploration.ipynb
├── src/
│ └── features.py
├── requirements.txt
└── tests/
└── test_features.py
src/features.py 可以包含可测试的数据处理函数：
from collections.abc import Iterable
def normalize(values: Iterable[float]) -> list[float]:
items = list(values)
if not items:
return []
low = min(items)
high = max(items)
if high == low:
return [0.0 for _ in items]
return [(value - low) / (high - low) for value in items]
Notebook 只负责调用和展示结果：
from src.features import normalize
scores = [12.0, 18.0, 30.0]
print(normalize(scores))
这样既保留 Notebook 的交互性，也能让核心逻辑接受单元测试和代码审查。团队还应避免把访问令牌、服务账号密钥或包含敏感数据的输出提交到 Git。
采用时的检查清单
Google Cloud Workbench Notebooks 扩展适合已经使用 VS Code，同时需要 Google Cloud 托管 Jupyter 计算环境的团队。正式推广前，建议完成以下检查：
- 确认 IAM 权限遵循最小授权原则。
- 确认远端实例的启动、空闲关闭和费用回收策略。
- 固定关键 Python 依赖，记录内核和解释器版本。
- 验证 VS Code 断线、实例停止和内核重启后的恢复流程。
- 将稳定代码移出 Notebook，并纳入测试和代码审查。
- 清理 Notebook 输出，防止敏感数据进入版本库。
这项扩展的意义不在于替代 Jupyter，而在于把托管 Notebook 纳入开发者已经熟悉的 IDE 工作流。连接只是起点；权限、依赖、成本和代码组织方式，才决定它能否从个人实验工具变成可靠的团队开发环境。