用途：把 Jupyter Notebook 当作面向读者的分析产物，而非草稿堆砌，用于创建、编辑或校验可复现的 SQL/Python Notebook，覆盖分析报告、实验日志、诊断、数据质量检查、市场测算、模型探索、教程与报告配套产物。
主要能力：先锁定 Notebook 模式与范围，明确读者、决策、交接预期与所需输入；用 JupyterLab、nbformat、nbclient 或现有脚手架工具检查与搭建，避免手改原始 JSON；按模式组织结构，分析类默认含 tl;dr、Context & Methods、Data、Results、Takeaways，教程类含 Goal、Setup、Steps、Checks、Next Steps；分离导入、参数、加载、准备、计算、可视化与解读；复杂 SQL 放 SQL 单元格或独立查询文件；用描述性变量名，每个代码单元聚焦一步；结果需与已执行输出核对后再写结论。
使用方式：需要表数据时先用 ~~structured_data 确认表、模式、分区过滤、样本行与查询提交策略，再选相应连接器，必要时回退到导出或粘贴 SQL；用 ~~operations_logs 检查新鲜度或血缘；记录查询永久链接、请求 ID、源路径等来源信息。执行命令：python -m jupyter nbconvert --execute --to notebook --inplace path/to/notebook.ipynb；可选本地安装：uv pip install jupyterlab nbformat nbclient ipykernel。
适用场景：可复现探索、审计追踪、可运行产物、报告配套分析、教学演示。
限制：若无法执行，需明确说明并给出复现所需的命令、依赖、凭据、数据访问、内核或环境步骤；不得把未执行或未验证的计算写入 tl;dr；避免隐藏状态、乱序依赖、无解释缓存输出与宽泛的实时源扫描；输出需有界，避免原始调试转储。资料未提供具体收费、平台支持范围与效果数据。