用途：为性能、剖析或基准实验创建可复现的 Jupyter Notebook，供不同工程师在不同机器上重跑并得到相同结果。
运行工具：推荐用 uv 运行笔记本，无需全局安装 Jupyter，每次调用固定依赖版本并隔离环境。macOS/Linux 安装命令为 curl -LsSf https://astral.sh/uv/install.sh | sh，Windows PowerShell 为 powershell -c "irm https://astral.sh/uv/install.ps1 | iex"。在 IntelliJ monorepo 内应使用固定包装器：完整布局用 ./community/tools/uv.cmd run ...，仅 community 检出用 ./tools/uv.cmd run ...。
nb.py 辅助命令行：${CLAUDE_SKILL_DIR}/scripts/nb.py 覆盖常见操作，无需运行 Jupyter 服务器，包括 list-cells、get-cell、set-cell、insert-cell、delete-cell、collapse-cells/expand-cells、apply-patch、update-patch、execute、export-html、serve。始终通过 uv run 调用，nb.py 内置 PEP 723 依赖元数据，uv 会自动安装 nbconvert、jupyter-client、ipykernel、numpy、pandas、matplotlib、plotly。
笔记本结构与可复现性：标准布局为标题 markdown、配置代码、机器信息、导入与数据加载、分析、最后为完整 diff 补丁 markdown 块。必须固定提交哈希，且属于稳定分支（origin/master 或三位数主版本发布分支，如 origin/261）；标题需含完整运行命令与模块、测试类 FQN；最后单元格嵌入完整 diff。
测试稳定性与设计：需确认工作负载确定性，禁用共享索引、后台遥测，核对实际运行路径与种子。尽量单次测试调用、单个补丁，确保实验代码可编译。
单元格内容：静态文本用 Markdown；测量值配 matplotlib 图（柱状、直方、饼图/堆叠柱），用 plt.show()；表格用 pandas DataFrame 并 display(df)。
更新已有笔记本：单单元格可用 set-cell，多单元格写临时 Python 脚本直接改 JSON，改完实验代码后必须运行 update-patch 回写补丁，最后用 execute 刷新输出。
限制与注意事项：资料未提供该技能的收费、平台支持范围或具体效果数据；Windows 下复杂参数建议先存入环境变量再传递。