Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Tabnine, Jupyter AI og andre integrationer

Lektion 10 af 14 Opdateret 2. november 2026 Udvikler
På denne side
  1. Økosystemet af Codestral-integrationer
  2. Tabnine med Codestral
  3. Jupyter AI: Codestral i notebooks
  4. LangChain og LlamaIndex
  5. Tabby: Den open source-assistent
  6. E2B: Sikker kodeeksekvering
  7. Opsamling på integrationer
  8. Vigtige pointer

Økosystemet af Codestral-integrationer

Continue.dev er ikke din eneste indgang til Codestral. Mistral AI har opbygget et økosystem omkring modellen, der dækker de primære værktøjer i en moderne udviklers stack. Det rigtige valg afhænger mindre af funktionslisten og mere af, hvor du allerede arbejder: i en IDE, en notebook, en Python-pipeline eller på en server, du selv administrerer. Denne lektion gennemgår Tabnine, Jupyter AI, Python-frameworks, Tabby og E2B med denne logik i tankerne.

Tabnine med Codestral

Tabnine er en veletableret AI-kodeassistent, og dens integration med Codestral bringer Mistral AIs kapaciteter ind i en grænseflade, som mange hold allerede kender. Du får et AI-chatpanel i sidebjælken til kontekstbevidste samtaler om din kode, hurtige handlinger direkte fra IDE’en – fix, forklar, dokumentér med ét klik – realtids-autofuldførelse og projektbevidsthed. Tabnine indekserer din kodebase, så dens forslag stemmer overens med jeres husstil frem for web-gennemsnit.

Opsætningen er bevidst minimal: I Tabnines indstillinger vælger du Codestral som model, og værktøjet håndterer resten, herunder API-kald og konteksthåndtering. Den enkelhed er salgsargumentet. Vælg Tabnine frem for Continue, hvis dit hold allerede bruger det, hvis du har brug for enterprise-funktioner (SSO, revisionslogge, compliance), som en CIO vil kræve før enhver bred udrulning, eller hvis du foretrækker en administreret løsning frem for at vedligeholde en konfigurationsfil.

Jupyter AI: Codestral i notebooks

Dataforskere bor ikke i en IDE; de bor i JupyterLab, og Jupyter AI installerer Codestral dér. En enkelt kommando sætter det op.

pip install jupyter-ai

Derefter konfigurerer du det fra Jupyter AI-panelet, hvor du indtaster Mistral som udbyder. Du kan også bruge magiske kommandoer direkte i en notebook, hvilket er praktisk til demoer eller delte sessioner.

# I en notebook kan du også konfigurere det programmatisk
%load_ext jupyter_ai

# Brug Codestral til celle-fuldførelse
%ai codestral

Værdien viser sig i dataanalyseudfordringer. Codestral fuldfører celler, mens du skriver, oversætter en diagrambeskrivelse til matplotlib- eller plotly-kode, konverterer en transformation beskrevet på engelsk til pandas-kode og fortolker output, når et resultat overrasker dig. Det hele fungerer også i JupyterLite, som kører Jupyter direkte i browseren uden en server – en ideel kontekst for demoer eller kurser, hvor du ikke vil installere noget på brugernes maskiner.

LangChain og LlamaIndex

Når Codestral bliver en byggesten i en applikation snarere end en assistent, der sidder foran dig, overtager Python-frameworks. LangChain eksponerer modellen via sin Mistral-integration:

from langchain_mistralai import ChatMistralAI

llm = ChatMistralAI(
    model="codestral-latest",
    mistral_api_key="YOUR_KEY",
    temperature=0,
)

response = llm.invoke("Write a Python function that parses a CSV file into a dictionary")
print(response.content)

Pas på en strukturel begrænsning: LangChain dækker kun endpointet for instruktionsfølgelse. Hvis din app har brug for fuldførelse midt i en fil, skal du skifte til Mistral SDK til FIM-delen. LlamaIndex understøtter derimod begge endpoints, hvilket gør det til det naturlige valg, når en enkelt tjeneste både skal conversere og fuldføre.

from llama_index.llms.mistralai import MistralAI

llm = MistralAI(
    model="codestral-latest",
    api_key="YOUR_KEY",
)

response = llm.complete("def quick_sort(lst):")
print(response.text)

Tabby: Den open source-assistent

Tabby målretter hold, der vil have autofuldførelse uden at overlade deres infrastruktur til en tredjepartstjeneste. Det er fuldt open source og kan hostes selv, og det accepterer Codestral som backend via en enkelt konfigurationsfil.

# ~/.tabby/config.toml
[model.completion]
kind = "mistral/codestral-latest"
api_endpoint = "https://api.mistral.ai"
api_key = "YOUR_KEY"

E2B: Sikker kodeeksekvering

En model, der skriver kode, rejser et spørgsmål, vi ofte udskyder for længe: Hvor kører du den? E2B leverer sikre sandkasser til at køre kode produceret af Codestral uden at udsætte din maskine eller build-server.

from e2b_code_interpreter import Sandbox

sandbox = Sandbox()

# Generér kode med Codestral
code = generate_code_with_codestral(prompt)

# Kør den i en sikker sandkasse
execution = sandbox.run_code(code)
print(execution.results)

Tre scenarier gør denne kombination essentiel: CI/CD-pipelines, der genererer og derefter tester kode uden menneskelig overvågning, læringsplatforme, der eksekverer kode fra ukendte elever, og kodingsagenter, der skal verificere deres egne output, før de foreslår dem. Fjern sandkassen fra nogen af disse tre opsætninger, og det bliver umuligt at køre dem uden opsyn.

Opsamling på integrationer

VærktøjTypeFIMChatLokalOpen source
Continue.devIDE-udvidelseJaJaJaJa
TabnineIDE-udvidelseNejJaNejNej
Jupyter AIJupyter-pluginNejJaNejJa
LangChainPython-frameworkNejJaN/AJa
LlamaIndexPython-frameworkJaJaN/AJa
TabbyKodeassistentJaJaJaJa
E2BSandkasseN/AN/ANejJa

Start din gennemgang med FIM-kolonnen: Hvis dit primære behov er inline-forslag, mens du skriver, eliminerer det halvdelen af rækkerne alene.

Vigtige pointer

  • Tabnine tilbyder en Codestral-integration med enterprise-funktioner
  • Jupyter AI bringer Codestral ind i notebooks til dataforskere
  • LangChain og LlamaIndex lader dig integrere Codestral i AI-pipelines
  • Tabby er et open source-alternativ, du kan hoste selv
  • E2B leverer sikre sandkasser til at eksekvere genereret kode
  • Dit valg afhænger af din kontekst: IDE, notebook, pipeline eller agent