当分析散落在终端命令和临时脚本里，jupyter-notebook 可以把它整理成 .ipynb。它分别提供实验型与教程型的组织方式：前者记录问题、尝试和结论，后者带读者逐步理解代码。已有 Notebook 也可以局部整理，保留原来的分析目的。
安装与准备
本文介绍 openai/skills 保留的独立 Skill 版本。该仓库已弃用，当前官方示例转至 openai/plugins；这里的步骤对应本页链接的旧仓库版本，不代表最新插件。
在 Codex 对话框输入下面这一行；它不是终端命令。安装后若找不到该 Skill，重启 Codex 再试。
$skill-installer jupyter-notebook
- 可读取输入文件的本地 Codex 项目
- Python 3；实际执行还需要对应内核和分析依赖
- 需要交互查看时安装 JupyterLab 或 Notebook
只生成 Notebook 结构不等于已经运行分析。需要交互查看时，可按 Jupyter 官方安装说明准备 JupyterLab，再用 jupyter lab 打开交付文件。 [4]
第一次怎么用
替换 CSV 路径后，可以这样描述第一本 Notebook：
$jupyter-notebook
把 data/orders.csv 整理成教程型 Notebook，面向刚学 pandas 的同事。先说明列含义与缺失值，再按月份汇总订单金额并画图。金额单位若不明确先问我。保存到 output/jupyter-notebook/orders.ipynb；执行条件不足时说明缺少什么，不填造输出。
接下来怎样推进
-
确定笔记类型。 先告诉 Codex 这是探索实验还是可跟读教程，并给出数据位置、读者水平和要回答的问题。
-
先搭骨架再填代码。 让它使用配套模板，把数据读取、清洗、计算、图表拆成小单元；每段代码前写目的，后面解释观察。
-
重新从头运行。 完成后从干净内核顺序执行。若本地缺少包或数据，先补齐条件，再确认结果不是依赖旧单元状态。
先决定读者怎么使用这份 Notebook
探索型 Notebook 要写清问题、数据口径、尝试过的假设和不成立的结果；教程型 Notebook 则要让读者按顺序复现，先交代输入文件和依赖，再逐步增加概念。首次请求可以指定一个小目标，例如“读取 data/orders.csv，解释缺失值处理，画出月度订单量；每张图下面写一句观察，不要把相关性写成因果”。这会比“做一个数据分析”更容易检查。
让 Codex 使用 Skill 附带的模板建立骨架，然后把数据读取、清洗、计算与图表放进不同单元。路径使用项目内相对位置，避免只有作者电脑才存在的绝对路径。临时输出与最终 .ipynb 分开；若要分享，数据许可证、隐私信息和文件大小也要先检查。
交付前做一次干净运行
重启内核后从上到下运行所有单元，确认每个变量都有定义、图表来自当前数据，结论中的样本数与实际输出一致。运行依赖缺失时先说明需要安装什么，不要保留旧缓存输出冒充成功。图表应有标题、单位与坐标含义；碰到异常点，把它们标成待解释的数据而不是删除后不说明。
交付后先检查什么
交付应包括指定位置的 .ipynb、输入数据假设，以及实际执行或未执行的说明。先检查所有图表都有标题和单位，结论能对应某个计算单元；再重启内核运行一次，确认没有“单独跑能过、从头跑失败”的隐藏状态。
让 Notebook 从空内核运行
若 Notebook 要长期维护，把数据清洗、模型和绘图函数放进普通 .py 模块，让 Notebook 负责解释步骤和展示结果。新建 .ipynb 时再用 Skill 的模板生成结构；提交前重启内核从第一格运行到最后一格。这样可以尽早暴露只靠旧内核变量才能运行、输出过大或 JSON 结构被手改坏的问题。
常见卡点
找不到数据。 给出相对项目根目录的路径，并让开头单元显示读取位置。不要让 Notebook 依赖你机器上的临时绝对路径。
包已安装却无法导入。 确认 Jupyter 选择的内核与安装依赖的 Python 环境一致。
输出过长。 先展示样本与摘要，把全量表另存文件，避免上千行输出遮住分析。