Trae支持Jupyter Notebook的三种模式：一、原生内嵌，可直接创建.ipynb文件、执行代码、AI解释与自然语言生成代码；二、JupyterLab插件协同，通过浏览器扩展增强现有UI的AI能力；三、远程Kernel直连，复用本地或远程Jupyter Server（如Spark/GPU环境）进行调试。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在进行数据科学项目开发时考虑使用Trae，并希望确认其对Jupyter Notebook的支持能力及实际开发体验，则需明确Trae当前的集成机制与交互方式。以下是验证与使用Trae配合Jupyter Notebook的具体路径：
一、原生Notebook环境内嵌支持
Trae作为AI原生IDE，已实现对Jupyter Notebook的深度集成，使AI可直接在多代码单元环境中执行智能操作，包括插入、修改、解释代码块，无需切换至外部Notebook界面。
1、启动Trae后，在项目根目录右键选择“新建Notebook文件”，创建扩展名为.ipynb的文件。
2、在任意代码单元中输入Python语句（如import pandas as pd），按Ctrl+Enter执行，Trae内核自动调用IPython Kernel运行。
3、选中代码单元后，点击工具栏中的AI解释按钮，Trae将自动生成该段代码的功能说明与潜在优化建议。
4、在空单元格中输入自然语言指令，例如“绘制气温时间序列折线图”，Trae将生成完整可运行的matplotlib代码并插入当前单元。
二、JupyterLab插件协同模式
当用户已在本地部署JupyterLab时，Trae可通过浏览器端插件注入AI能力，在保留原有UI操作习惯的同时增强交互智能性。
1、访问Trae官网下载对应浏览器扩展（支持Chrome与Edge）。
2、在JupyterLab中打开任意.ipynb文件，确保右上角显示Trae已连接状态标识。
3、选中一段数据处理代码，点击弹出菜单中的“优化逻辑”选项，Trae将返回等效但更高效（如向量化替代循环）的重写版本。
4、在Markdown单元格中输入“生成月度统计摘要”，Trae自动补全含agg()调用与格式化输出的Python代码块。
三、远程Kernel直连调试支持
Trae支持连接本地或远程Jupyter Server实例，复用已有配置（如Spark集群、GPU加速环境），避免重复部署Kernel依赖。
1、在Trae设置中进入“Kernel Management”，点击“Add Remote Kernel”。
2、填入Jupyter Server地址（如http://localhost:8888）、Token（从jupyter notebook --generate-config获取）及内核名称（如pyspark）。
3、新建Notebook后，在右下角内核选择器中切换至已配置的远程Kernel，状态栏显示Connected to pyspark@remote即表示成功。
4、执行df.show(5)等Spark操作时，Trae将把代码转发至远程服务运行，并实时回传结构化结果表格。
