JupyterLab代码片段扩展2.1.0版本迁移指南
2025-06-19 00:21:59作者:范靓好Udolf
版本升级概述
JupyterLab代码片段扩展在2.1.0版本中进行了重大架构调整,将代码片段的存储位置从本地文件系统迁移到了JupyterLab设置API端点。这一变化带来了以下关键改进:
- 全局访问:代码片段现在可以在所有笔记本中共享使用
- 集中管理:通过统一的设置界面管理所有代码片段
- 增强的搜索和标签功能:提供更强大的代码片段筛选能力
迁移前的准备工作
在升级到2.1.0版本前,请注意以下重要事项:
- 旧版本创建的代码片段将不再直接支持
- 项目文件夹中的/snippets目录仍会保留(如果之前已创建)
- 需要手动迁移现有代码片段到新系统
单个代码片段迁移方法
对于少量代码片段的迁移,可以按照以下步骤操作:
- 打开需要迁移的代码片段JSON文件
- 复制整个JSON对象内容
- 导航至:设置 > 高级设置编辑器 > 代码片段管理器
- 在"用户首选项"面板中找到现有的代码片段数组
- 将复制的JSON对象粘贴到数组末尾
- 确保新片段的ID值与现有列表保持连续
- 点击右上角的保存图标
迁移完成后,新添加的代码片段将出现在代码片段面板的底部。
批量迁移多个代码片段
对于包含大量代码片段的项目,我们提供了Python脚本来自动化迁移过程:
import os
import json
import glob
def extract_id(json):
try:
return json['id']
except KeyError:
return 0
snippets = []
counter = 0
for filepath in glob.glob(os.path.join('snippets', '*.json')):
with open(filepath) as f:
content = json.load(f)
content['id'] = counter
snippets.append(content)
counter+=1
snippets.sort(key=extract_id)
print('{"snippets": [\n')
for snip in snippets:
if not('tags' in snip):
snip["tags"] = []
if snippets.index(snip) == len(snippets)-1:
print(json.dumps(snip, indent=4, sort_keys=True))
else:
print(json.dumps(snip, indent=4, sort_keys=True), end=",\n")
print("]\n}\n")
脚本使用说明
- 将脚本保存为.py文件并运行
- 脚本会扫描项目中的/snippets目录
- 输出格式化的JSON对象集合
- 复制脚本输出的全部内容
- 粘贴到"用户首选项"面板中替换现有内容
重要提示:
- 如果要在现有代码片段列表基础上添加,需要调整脚本中的counter变量
- 确保所有代码片段的ID保持连续递增
搜索和标签功能增强
2.1.0版本对标签系统进行了重大改进:
-
标签逻辑关系:
- 片段标签之间是"或(OR)"关系
- 语言标签和片段标签之间是"与(AND)"关系
-
智能标签显示:
- 选择特定语言标签后,只显示该语言相关的片段标签
- 避免无关标签干扰选择
-
重复标签处理:
- 如果语言标签出现重复,表示有片段使用了语言名称作为标签
- 可以通过编辑片段标签解决此问题
最佳实践建议
- 迁移前备份:建议在迁移前备份原有的/snippets目录
- 标签规范化:利用迁移机会统一标签命名规范
- ID管理:定期检查代码片段ID的连续性
- 性能考虑:当代码片段数量很大时,考虑分批迁移
通过遵循本指南,您可以顺利完成2.1.0版本的迁移工作,并充分利用新版本提供的增强功能。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
238
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
671
156
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217